小米开源CocktailASR语音识别模型

IT时代网9月11日消息，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。

该模型采用端到端大模型架构，以目标说话人的一段参考音频作为声纹提示，可在多人同时说话的复杂环境里，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均达到SOTA水平，大幅领先现有方案。

它的单人识别性能比肩标准语音识别模型，可无缝兼顾单人场景；具备拒识非目标说话人干扰语音的能力，目标不在场时输出空文本，避免误触发；还支持思维链推理模式，为识别结果提供可解释的推理过程。模型代码与权重已在开源社区放出。

注：本文综合自IT之家等，文中包含AI辅助创作的内容。

编辑：林一舟