小米开源CocktailASR-1 专攻鸡尾酒会问题的目标说话人识别

会懂网AI资讯，9月13日，小米正式开源工业级目标说话人语音识别模型CocktailASR-1。该模型瞄准的是语音领域长期存在的鸡尾酒会问题，也就是在多人同时发言的环境下，如何把目标说话人的声音从混杂音频中准确剥离出来并完成转写，难度远高于单人近场识别。

传统方案的思路是盲源分离，即先把混合音频拆分成若干条独立音轨，再逐条送去识别。这种做法在说话人数量不确定、语音重叠严重的情况下容易失效，而且分离环节本身就会给音频引入额外损伤，并带来明显延迟，工程落地时需要大量额外的调参与后处理。

CocktailASR-1换了一条路径。它在识别之前预先指定目标说话人的声学特征，模型只输出与该特征相对应语音的转录结果，从而把分离与识别两个环节合并处理，绕开了盲源分离路线中长期存在的固有瓶颈，也不再要求系统事先判断场景里到底有几个人在说话。

这种设计的工程优势相当明显：系统不需要穷举场景中的全部说话人，计算量与说话人数量基本脱钩，因此在人数众多、噪声复杂的环境中反而更加稳定，也更适合部署到算力受限的端侧设备与车规级芯片之上，同时降低了对麦克风阵列硬件规格的依赖。

应用场景明确指向车载智能座舱、会议转录以及复杂环境下的拾音需求。在车内场景中，主驾与后排同时说话是常态，能否准确锁定指令发出者的语音，是决定座舱语音交互体验是否真正可用的关键，也是避免误触发与误操作的重要前提，这一点在多音区高端车型上体现得最为直接。

对小米而言，把这类模型开源也有现实考量。语音是人机交互的入口级能力，开源有助于吸引开发者围绕其硬件生态做适配与优化，同时把自研技术沉淀为行业通用的参考实现，在相关标准尚未成形的阶段占据一个更有利的位置，同时在开发者社区中积累技术口碑与长期影响力。