小米近日正式开源工业级目标说话人语音识别大模型 CocktailASR-1，旨在解决多人同时讲话的“鸡尾酒会难题”。该模型采用基于参考声纹的目标说话人识别机制，用户提供参考音频后，利用声纹嵌入精准锁定目标说话人，只转录该特定人物语音，过滤其他人声、混响及背景噪声。底层架构上，CocktailASR-1 采用端到端大语言模型架构，由 D2V2 音频编码器、Adapter 与大模型解码器串联组成，所有权重整合在同一检查点中；输入时将参考音频与目标单声道音频拼接，中间插入一秒静音作为分隔。基准测试显示，在 LibriMix2mix 和 LibriSpeechMix2mix 数据集上字错率分别低至 4.11% 和 2.90%；在 LibriMix3mix 测试中仅 12.29%，而部分竞品高达 76% 至 121%。在 AMI SDM、AliMeeting Far 等真实会议场景及 LibriSpeech、WenetSpeech、CommonVoice-zh 等单人场景中也全面领先。工程上具备负样本拒识能力，参考音频对应人物不在对话中时输出空文本，防止智能设备误触发；并支持思维链推理，展示判断说话人的推理过程，提升可解释性。目前代码已在 GitHub 按 Apache2.0 协议开源，依赖简单，可从 HuggingFace 加载部署。