ITCOW牛新网 9月11日消息，小米技术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，旨在解决语音识别领域的“鸡尾酒会难题”，也就是多人同时说话时识别效果大幅下降的问题。
模型采用端到端LLM架构，输入一段目标人物的参考音频作为声纹提示，就可以在多人混杂说话的嘈杂环境中，只提取转录目标说话人的语音内容。在多项多说话人公开测试集上取得SOTA最优效果。
该模型兼顾单人语音识别，单人场景识别效果对标主流标准ASR模型；拥有干扰拒识能力，如果目标说话人没有出现，模型会直接输出空文本，减少误识别误触发。还支持思维链推理，能够输出识别的推理过程，提升结果可解释性。
目前模型的相关代码与权重已经上传GitHub以及HuggingFace平台，开发者可以直接获取使用。
上一篇资讯
中国AI大模型调用量连续二十周领跑：DeepSeek V4.1 Flash上线三天升至第六，智谱GLM 5.3、MiniMax M3跌出榜单
每经记者｜宋欣悦 每经编辑｜兰素英 《每日经济新闻》根据OpenRouter最新数据测算，上周（9月7日至9月13日）全球AI大模型总调用量为127万亿Token，环比增长10.43%。 其中，上榜的AI大模型中，中国AI大模型周调用量达61.17万亿Token，环比增长7.85...
下一篇资讯
俄罗斯光刻机，取得新突破
俄罗斯正将其首台自主研发的350纳米光刻机投入批量生产，首台Progress STP-350计划于2026年12月交付莫斯科的Mapper公司。但更重要的故事是接下来的发展：俄罗斯已经在着手研发130纳米光刻技术，这有可能使首台350纳米光刻机成为其更大规模半导体设备研发进程的开...
谷歌Gemini 4 Pro现身基准平台测试，SVG矢量生图表现亮眼
阿里Qoder推出限时福利，Qwen3.8‑Flash9月底前免费，每日登录领取100 Credits
阿里千问发布Qwen3.8‑Omni‑Flash原生全模态大模型，支持百万Token图文音视频输入
智谱推出GLM‑5.3‑FlashX大模型，峰值输出可达200 tokens/s
国安部披露AI智能体越界事件：OpenAI相关智能体劫持维基站点搭建地下交流论坛
ChatGPT语音模式更新，Pro用户可调用GPT‑5.6 Sol与GPT‑6 Astra
DeepSeek Harness 0.1.5版本正式更新，深度适配V4.1 Flash模型
DeepSeek V4.1 Flash正式发布，具备原生多模态视觉理解能力
