小米开源工业级语音识别大模型 CocktailASR-1，专攻「鸡尾酒会」多人混叠难题

语音识别在单人场景下已相当成熟，但当说话人增至两人或更多时，识别率会急剧下降——这一难题被称为「鸡尾酒会问题」。小米此次开源的 CocktailASR-1 走端到端 LLM 架构：以目标说话人的一段参考音频作为「声纹提示」与混合语音一同送入模型，直接转写目标说话人内容，省去先分离再识别两步，且目标不在场时输出空文本以降低误触发。

据技术报告披露，模型音频编码器约 0.6B 参数（源自 Data2Vec2 自监督模型），语言模型骨干为 Qwen3-8B，训练数据约百万小时。在真实会议测试集 AliMeeting 远场词错率达 20.63%（此前最好约 27.5%），合成混音集 LibriMix 两人混叠词错率 4.11%，而 Qwen3-ASR、StepAudio 在重度混叠下飙至 60% 以上；负样本拒识率 68%–80%，通用 ASR 普遍为 0。

开发者侧有两条利好：协议为 Apache 2.0 可免费商用，权重已在 Hugging Face（Ease3/Xiaomi-CocktailASR-1）发布，transformers 加载仅需 trust_remote_code，bf16 单卡可跑。会议纪要、访谈整理、庭审记录这类「只认一个人」的场景，第一次有了免费商用的工业级起点。