共计 1026 个字符，预计需要花费 3 分钟才能阅读完成。
小米开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1
小米技术今日宣布, 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, 尝试在多人同时说话的复杂环境中, 仅提取并转录目标用户的语音内容。
📌 背景: 从单人识别到多人混说的跨越
当前语音识别技术对单人说话的识别精度已经相当高, 但当说话人数变为两人或多人时 , 识别率往往会大幅下降。这一现象被称为“鸡尾酒会问题”, 也是语音交互走向真实场景的关键障碍之一。过去, 行业多依赖语音分离或声纹识别等模块化方案, 效果有限且流程复杂。Xiaomi-CocktailASR-1 的推出, 意味着小米开始从端到端大模型的角度重新思考这一问题的解法。
🔍 核心信息: 端到端 LLM 架构与声纹提示
据官方介绍,Xiaomi-CocktailASR-1 采用端到端 LLM 架构, 以目标说话人的一段参考音频作为声纹提示。模型能够在多人同时说话的复杂环境中, 精准提取并仅转录目标用户的语音。在多个主流多说话人测试集上, 该模型均达到 SOTA, 大幅领先现有方案。
与此同时, 其单人识别性能比肩标准 ASR 模型, 可无缝兼顾单人说话场景。模型还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, 该模型支持思维链推理模式, 为识别结果提供可解释的推理过程。
💡 影响与看点: 从实验室到工业级开源
小米此次将模型开源, 并同步在 GitHub 和 HuggingFace 平台发布, 意味着研究者和开发者可以直接获取工业级的目标说话人语音识别能力。这一动作可能带来几方面影响:
- 降低开发门槛: 中小团队无需从零训练, 即可在复杂声学环境中构建目标语音交互应用。
- 推动多说话人场景落地: 智能家居、会议记录、车载语音等场景有望受益。
- 可解释性增强: 思维链推理模式让识别过程更透明, 便于调试与信任建立。
- 开源生态竞争: 小米加入语音大模型开源阵营, 可能加速行业技术迭代。
从单人识别到多人混说精准提取, 语音识别正在经历一次场景能力的跃迁。小米选择开源工业级模型, 或将加快这一进程。
📊 总结
Xiaomi-CocktailASR-1 的发布, 是小米在语音 AI 领域的一次重要技术输出。它能否真正解决“鸡尾酒会”难题, 还需在实际应用中检验, 但开源工业级模型本身已经为行业提供了新的参考路径。
