2026年9月，小米正式开源工业级目标说话人语音识别大模型CocktailASR-1，该模型采用参考声纹定位机制，可在多人混声、高背景噪声环境下精准提取并转录特定说话人语音，破解困扰语音识别行业多年的“鸡尾酒会难题”，为多场景语音交互落地提供成熟的工业级解决方案。
刚在嘈杂的咖啡厅开完远程会的职场人大概率有过类似经历：录音转写出来的内容混杂了邻桌的聊天声、店员的叫号声，自己和同事的发言被拆得七零八落，后期整理的成本甚至比重新听一遍还高。这种“分不清该听谁”的问题，正是自动语音识别（ASR）技术落地民用、工业场景时卡了近十年的核心瓶颈。
“鸡尾酒会难题”得名于人类听觉的特殊效应：人耳可以在多人同时说话的嘈杂酒会环境中，精准过滤掉无关声音，只捕捉自己关注的说话人内容。但此前的传统ASR模型没有“选择性收听”的能力，只能对所有输入音频做全量转录，一旦场景中出现2个以上的说话人，或者有超过50分贝的背景噪声，识别准确率就会从安静环境下的97%骤跌至60%以下。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号