9月11日，小米技术宣布正式发布并开源工业级目标说话人语音识别大模型Xiaomi-CocktailASR-1。该模型瞄准语音识别领域长期存在的“鸡尾酒会”难题——当多人同时说话时，传统系统识别率会显著下降。

Xiaomi-CocktailASR-1采用端到端LLM架构，通过目标说话人的一段参考音频作为声纹提示，能够在复杂多人对话场景中精准提取并仅转录目标用户的语音。官方称，该模型在多个主流多说话人测试集上均达到SOTA，大幅领先现有方案。

除核心的多说话人分离能力外，该模型还兼顾单人识别场景，性能比肩标准ASR模型。同时，它具备拒识非目标说话人干扰语音的能力，当目标说话人不在场时输出空文本，有效避免误触发。此外，模型支持思维链推理模式，可为识别结果提供可解释的推理过程。

目前，Xiaomi-CocktailASR-1的代码与模型已分别在GitHub和HuggingFace平台开源，供研究者和开发者使用。