小米开源工业级目标说话人语音识别大模型CocktailASR-1，解决鸡尾酒会难题

把一个人声从嘈杂的人群中剥离出来，人类的听觉系统做这件事毫不费力。但对ASR模型来说，多人同时讲话的场景至今是一个未被充分解决的难题。小米刚刚开源的CocktailASR-1，做出了一个有意思的尝试：不是做"更好的降噪"，而是从根本上改变任务的输入——先告诉模型你要听谁说话，再让模型只输出那个人的话。

这就是目标说话人语音识别（target-speaker ASR）。给一段参考音频，模型用声纹嵌入定位目标说话人，在多人混合音频里只转录他的语音。其他人说话时的内容、混响、背景噪音，模型一概不输出。

从GitHub放出的技术报告看，CocktailASR-1是一个 端到端LLM架构 ：D2V2音频编码器 → Adapter → LLM解码，所有权重（D2V2 + Adapter + LLM）放在一个checkpoint里。输入格式是把参考音频和目标音频拼接，中间插一秒静音做分隔，16kHz单声道。不同场景不需要切换模型——无论是单人还是多人，同一个模型全搞定。

基准测试结果很扎实。在多说话人模拟测试上，LibriMix 2mix的WER只有4.11%，LibriSpeechMix 2mix更是压到2.90%。同赛道对比，Qwen3-ASR、Gemini、StepAudio在混合场景下全军覆没——LibriMix 3mix上这三个模型的WER分别是106.04%、76.10%和121.08%，CocktailASR-1是12.29%。

不是"比它们好"，是"它们做不了这件事"。

在真实会议录制上，AMI SDM的WER是21.81%，AliMeeting Far是20.63%。尽管真实场景比模拟数据难得多，但依然大幅领先已有方案。

单人场景也没拉垮。LibriSpeech上WER 1.73%，比Whisper Large-v2的2.06%和Gemini的2.25%都好。WenetSpeech和CommonVoice-zh上也全面领先。

除了识别精度，这个模型还做了两件事值得单独提出来说。

第一件是负样本拒识。当参考音频对应的人不参与当前对话时，模型输出空文本。这在工程上有实际价值——智能音箱、车载助手这些场景里，如果旁边有人在说话，设备不应该被误触发。CocktailASR-1在LibriSpeech负样本上做到了79.59%的拒识率；Aishell上是75.35%；小米自有的中文测试集上是68.54%。对比之下，Qwen3-ASR和StepAudio的负样本拒识率是零——它们根本没有这个能力，任何时候都会输出文字。

当然，拒识能力也有反效果：正样本偶尔也被误拒，产生虚假拒识率（FRR）。不过从数据上看FRR控制得可以接受——LibriSpeech上0.36%，AliMeeting-near上0.38%，AMI-ihm上0.01%。

第二件是思维链推理。模型可以在输出最后答案前先跑一段 标签包裹的推理过程，解释它是怎么判断说话人的。这个功能对终端用户的实用价值有限——你不会想在对话中看它怎么推理——但对调试和可解释性很有意义。从报告数据看，CoT对精度的影响不大，LibriMix 2mix上只降低了0.24个WER百分点，其他数据集上基本持平。说明推理能力是副产品，不是用精度换来的。

没有标注具体参数量和训练数据规模，但从"所有权重放一个checkpoint"和D2V2编码器的选择来看，模型尺寸应该在可部署的范围内。推理代码已经放在GitHub上，Apache 2.0协议，minimal依赖（torch、torchaudio、transformers、soundfile），从HuggingFace加载。

小米在语音方向布局已久，从声学前端到语音唤醒到远场ASR，这次CocktailASR-1把注意力从"所有声音"转向了"一个声音"——这个转向本身比任何一个benchmark数字都更有信号意义。