小米开源工业级语音识别大模型，过滤干扰精准转录特定人声

小米开源工业级目标说话人语音识别大模型 CocktailASR-1。它采用基于参考声纹的识别机制，能在多人混合音频中过滤干扰，只转录特定人物语音。其底层是端到端大语言模型，输入为参考与目标音频拼接。在模拟和真实场景测试中表现出色，还具备负样本拒识和思维链推理功能，代码已在 GitHub 开源。

技术上，该模型架构创新，权重整合在同一检查点，输入格式独特。这将推动语音识别技术发展，为相关领域提供新方案，未来有望在更多场景落地应用。