9 月 11 日，小米发布并开源了工业级目标说话人语音识别大模型 Xiaomi-CocktAIlASR-1。它要解的是一个老问题：一屋子人同时说话，机器能不能只把其中一个人的话转成文字。人耳做这件事毫不费力，专业上叫「鸡尾酒会问题」，机器却始终做得不好——通用转写工具遇到多人重叠，出来的基本是一锅乱炖，谁说了哪句全靠猜。以往的主流方案是「先分离、再识别」——把混在一起的语音拆成几条单人音轨，再逐条转写；分离不干净，后面全跟着错。CocktailASR-1 换了个入口：先给它一小段目标说话人的参考音频，它用声纹定位，只在混合音频里转录这个人的话，其他人的内容、混响和背景噪声一概不输出。模型是端到端架构，音频编码器约 0.6B 参数，语言模型骨干为 Qwen3-8B，使用时把参考音频和目标音频拼接起来、中间插一秒静音作分隔，单人和多人场景不用切换模型。官方给出的成绩单挺扎实。合成混音测试里，两人混叠的字错率压到 4.11%，另一组两人混叠测试是 2.90%；到三个人同时说话的重叠场景，字错率 12.29%——而同赛道的通用 ASR 模型在这种场景下字错率普遍会飙到 60% 以上，有的甚至超过 160%。这不是「比谁好一点」的差别，是通用水准在这里基本失效。更贴近真实场景的会议录音测试里，远场会议集的字错率从前一档最好成绩 27.5% 降到 20.63%，另一组会议集为 21.81%。训练数据合计约百万小时，其中多说话人约 40 万小时、单说话人约 60 万小时，另有约 1 万小时专门用来练「拒识」。一个是负样本拒识：当参考音频对应的人压根不在这次对话里，模型直接输出空文本，避免智能音箱、车机被人声误触发。这个能力看起来不起眼，却是设备能不能放心用语音唤醒的关键。另一个是思维链推理：模型可以先用标签展示它判断说话人的过程，再给出最终结果，虽然对准确率影响不大，但让识别结果变得可解释、好排查。这两点都是工业落地时才暴露出来的需求，看得出是奔着真实产品去的。模型权重和推理代码已经开源，协议为 Apache 2.0，可免费商用；权重放在 Hugging Face 上，依赖很轻，bf16 精度单卡就能跑，官方的最小示例十来行代码。此前开源世界在「多人混叠、只转写指定人」这个细分方向上，一直没有像样的工业级选项——通用的语音识别早就成了基础设施，但「只认一个人听」这件事始终缺一块。会议纪要、访谈整理、庭审记录这些场景，第一次有了一个免费可商用的起点。对开发者来说，门是开着的。
