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 <thinking> 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。
来源：