小米开源CocktailASR-1：目标说话人识别SOTA，支持思维链与负样本拒识
2026.09.11 · 产品 · 开源项目 · 开源项目
官方仓库补充多场景性能数据，单说话人兼容，拒识率最高79.59%。
小米开源目标说话人语音识别大模型CocktailASR-1，采用参考声纹机制，在混合音频中精准转录目标说话人。官方GitHub显示，在LibriMix2mix和LibriSpeechMix2mix上字错率低至4.11%和2.90%，在真实会议场景AMI SDM和AliMeeting Far上分别为21.81%和20.63%。模型支持负样本拒识和思维链推理，单说话人场景性能与主流ASR相当，代码和权重已开源。
- 多说话人SOTA：LibriMix2mix 4.11%，真实会议AMI SDM
- 单说话人兼容：LibriSpeech字错率1.73%，与主流ASR相当
- 负样本拒识率最高79.59%，有效防止误触发
- 思维链推理可微降字错率，提升可解释性
- 代码和权重托管于HuggingFace，提供批量推理工具
为什么值得看
补充官方性能数据，展示模型在真实场景和单说话人场景的全面优势。
适合谁关注
小米研究团队，作者包括Yiru Zhang等。