会议里三个人同时说话，普通 ASR 通常面临两个难题：要么把所有人的话糊在一起，要么先做语音分离，再一路路识别。
但如果你只关心其中一个人，其实有另一条路：给模型一段这个人的参考声音，让它直接只转录目标说话人。
小米研究团队开源的 Xiaomi-CocktailASR-1[1]，做的就是这件事。它是一个目标说话人语音识别模型：参考语音相当于一把“声音钥匙”，模型根据这把钥匙，从混合语音里找出对应的人并转成文字。
它解决的不是“更安静”，而是“该听谁”
这点很容易和降噪、语音分离混在一起。
降噪要去掉的是空调、风声、键盘声这类环境噪声；语音分离希望把多个人分成多路音频；而目标说话人 ASR 的目标更直接：我不需要所有人，只要某一个人的文字。
官方 demo 里，参考声音和待识别混合语音都给到模型后，输出是：
人们设计 AI 配方的过程本质上主要还是一个不断试错的过程。
当参考声音对应的人不在待识别音频里，模型则应该输出空文本。这个“不该说时就不说”的能力，对声控设备、指定发言人转录和特定受访者抽取都很有价值。
真实会议数据：有效，但要看具体测试
项目报告了两个真实多人会议测试集。在 AMI SDM 上，Xiaomi-CocktailASR-1 的 WER 是 21.81%；在 AliMeeting Far 上是 20.63%。对比表中，Qwen3-ASR 分别是 38.18% 和 39.64%。
这组数据支持一个有用的判断：当任务明确要“只识别某个人”时，目标说话人建模比把普通 ASR 直接丢进多人混合语音更对题。
但也要看清边界。在模拟集 LibriMix 3mix 上，它的 WER 为 12.29%，而表中 previous SOTA 是 12.23%，因此不宜把结论简化成“所有项目都第一”。真正应该关注的是：它把多人、单人和负样本拒识统一到了同一个调用接口里。
拒识能力很实用，也会带来新权衡
项目还测试了三组负样本。Xiaomi-CocktailASR-1 的拒识率分别是 79.59%、75.35% 和 68.54%。这意味着参考人不在场时，它有较大概率保持沉默，但还不是百分之百。
另一面是误拒。在五个单人测试集上，官方报告的 FRR 介于 0% 到 0.73%。所以生产选型不能只看 WER，还要根据业务设定“误转一句”和“漏掉一句”哪个更贵。
怎么开始：先跑通一条正样本和一条负样本
官方 README 的依赖很短：
pip install torch torchaudio transformers soundfile
这一步是准备 PyTorch、音频读取和 Hugging Face 模型加载环境。安装完成后，下面的导入不报错，就说明基础依赖已就绪。
然后准备两个文件：ref_speaker.wav 是目标人的参考声音，target.wav 是待识别音频。模型接受文件路径、NumPy 数组或 Tensor，期望 16 kHz 单声道，其他采样率会自动重采样。
from transformers import AutoModelmodel = AutoModel.from_pretrained("Ease3/Xiaomi-CocktailASR-1",trust_remote_code=True,torch_dtype="bfloat16",).cuda().eval()text = model("target.wav", "ref_speaker.wav")print(text)
这一步内部会拼接“参考语音 + 1 秒静音 + 目标语音”。成功标志是返回目标人的文本。接着把参考音频换成一个不在 target.wav 里的人，再跑一次，预期输出是空字符串。
这里有一个必须认真处理的工程问题：trust_remote_code=True 会执行模型仓库里的自定义代码。正式部署时应该先审查代码，固定 revision，而不是始终跟随远程最新版。
批量转录已经有现成入口
仓库的 tools/test_batch_scp.py 接受五列 TSV：utt_id, wav, text, ref_wav, ref_id。它按原文件顺序处理，模型只加载一次。
CUDA_VISIBLE_DEVICES=0 python tools/test_batch_scp.py \ --hf_model_dir Ease3/Xiaomi-CocktailASR-1 \ --input_scp scp.tsv \ --output_file out/result.txt
成功后会得到 out/result.txt 和同目录下的 text，分别保存预测文本和参考文本，便于后续评分。
最后的选型建议
如果你的目标是生成完整会议纪要，所有发言人都要保留，那么说话人日志、分离或 diarization 仍然更合适。
如果你的任务是指定受访者转录、语音唤醒后只识别已登记用户，或者从多人场景中追踪一个固定人，这个模型才真正对题。
它当前的门槛也很明确：这是一个约 8B 规模、官方示例使用 CUDA 和 bfloat16 的模型，不是移动端即装即用的小工具。先用一条正样本和一条负样本验证价值，再决定是否值得把它接入你的语音流水线。
参考：GitHub 项目[2] · Hugging Face 模型[3] · 技术报告[4]
