小米开源「鸡尾酒会」语音识别大模型：AI 学会「在嘈杂里只听一个人」，声学测试进入「多说话人」时代
2026 年 9 月 11 日，小米技术发文宣布，正式发布并开源工业级「目标说话人语音识别」大模型 Xiaomi-CocktailASR-1。
先别急着划走。这个名字里藏着一个词——Cocktail，「鸡尾酒」。它指向声学领域一个困扰工程师几十年的经典难题：鸡尾酒会问题。
作为一个在声学实验室行业做了十年的人，我看到这条新闻的第一反应，不是「又一个大模型开源了」，而是一个更具体的问题：当 AI 开始学习「在一堆人同时说话时，只听其中一个人」，谁来保证它在物理世界里真的「听对了」？
---
一、什么是「鸡尾酒会问题」：语音识别的终极考题
先解释这个「鸡尾酒会」。
想象你在一个热闹的派对里，周围五六个人同时说话、背景里还放着音乐。人类的耳朵能神奇地「锁定」其中一个人，把其他人的声音自动「压下去」——这在心理学里叫「鸡尾酒会效应」。
但机器做不到。IT之家给这条新闻加的注释说得很直白：当前语音识别技术已经能以较高精度识别一个人讲话，但当说话人数变成两个或更多时，识别率就会「极大地降低」。
为什么？因为麦克风拾到的是所有人声音的「叠加」——它不像人耳有双耳定位、注意力和先验知识，它拿到的就是一坨混在一起的波形。把 A 的声音从 B、C、D 的噪声里「抠」出来，是信号处理里最经典、也最难的一类问题：盲源分离。
小米的 Xiaomi-CocktailASR-1 换了个思路：不靠传统信号处理硬分离，而是拿一段目标说话人的参考音频做「声纹提示」，让端到端大模型直接学会「只听这个人」。官方表示，它在多个主流多说话人测试集上都达到了 SOTA。
---
二、从「听懂内容」到「听懂是谁」：语音的考卷换了个维度
这件事的意义，不只是「识别率又高了几个点」。它标志着语音识别在进化路径上的一次「换轨」。
过去十年，ASR（自动语音识别）的主线是「听懂内容」——把声波变成文字，字错率越低越好。单人、安静、标准口音，是这条主线的默认前提。
而「目标说话人识别」要回答的是另一个维度的题：「听懂是谁在说」+「只转写他说的话」。 这需要三个过去单讲「识别率」的模型答不了的能力：
第一，声纹提示的鲁棒性。 拿一段参考音频锁定目标人，但参考音频往往是在安静环境录的，真实场景却是嘈杂的、有混响的、距离远的。声纹特征在跨场景下能不能「锁得住」，直接决定模型能不能用。
第二，拒识与防误触发。 官方特别强调了一点：目标说话人不在场时，模型输出「空文本」，避免误触发。这太关键了——如果模型在嘈杂环境里把别人的话「误判」成目标人的指令，在车载、智能家居、会议纪要里，代价都可能是实实在在的错误操作。据官方介绍，该模型具备拒识非目标说话人干扰语音的能力。
第三，多说话人的可解释性。 模型还支持「思维链」推理模式，能给出「为什么认为这是目标人、为什么不是别人」的推理过程。这让「听对了没有」从黑盒变成了可审计。
---
三、三道新的测试题：实验室要重新准备考卷
大模型把「鸡尾酒会」这个难题端到了台面上，但真正让这个能力「可交付、可验证、可量产」的，是它背后的测试基础设施。至少有三道题，是过去「测一台手机的唤醒率」流程答不了的。
考题一：多说话人场景，怎么「造」出来？
要测「鸡尾酒会」，你得先有一个标准化的「鸡尾酒会」。几个说话人、什么方位、多大音量、什么混响、多少背景噪声——这些变量如果不精确控制，模型今天测是 SOTA，明天换个房间就崩了。这需要在可变混响听音室里，用多路声源精确复现「N 人同时说话」的标准声场，并保证每一次测试都可复现、可追溯。
考题二：声纹提示的「跨场景一致性」，怎么标定？
参考音频和真实场景之间的「声学差异」，是这类模型最大的不确定性来源。测这个差异，需要全消声室做「干净」的声纹基准，再用可变混响/加噪环境做「脏」场景的对照——两端的声学条件都必须精确受控，否则「锁得住锁不住」就成了玄学。
考题三：拒识与误触发，怎么量化？
「目标不在场输出空文本」听起来简单，实测起来是一整套指标：误唤醒率、误转写率、拒识率，都要在标准声场里用标准语料一遍遍回归。这恰恰是「高频复测」——每一个模型版本、每一次声纹更新，都要重跑一遍。
---
四、列星的位置
列星在这条「鸡尾酒会语音」的赛道上，卡住了一个很具体的位置。
我们交付的科大讯飞 7 间集群实验室，覆盖从麦克风阵列校准、远场语音识别到噪声鲁棒性、主观听感评价的全链路 AI 语音交互测试——这正是「多说话人、多噪声、多场景」语音识别最需要的验证基础设施。
我们为小米汽车打造的 AI 全场景多媒体实验室（国内首例全自动混响时间可调听音室），核心理念是「场景可变、数据可追溯」——同一间实验室几秒内从安静会议室切换到嘈杂车厢，恰好对应「目标说话人识别」对多场景声场复现的刚需。
我们交付的华勤技术 3dB(A) 超低本底噪声全消声室，能在极安静环境下把麦克风阵列的「裸性能」和声纹基准测到最干净——这是「声纹提示」跨场景一致性标定的可信来源。
再加上「声学 + 电磁屏蔽」双技术路线与 400+ 项目的工程积累——从华为、三星、科大讯飞到小米、小米汽车，我们反复在回答同一个问题：如何在精密受控的声学环境里，把「听」这件事测准、测稳、测到可追溯。 今天，这个问题的边界，正在从「听懂一个人」扩展到「在人群里只听对一个人」。
---
写在最后
语音的故事，正在翻过「能听懂」这一页，翻开「能听对」这一页。
上半场，大家比的是「谁的识别率更高」——字错率、唤醒率，一页页榜单。下半场，规则变了：比的是「谁的 AI，能在一屋子人同时说话时，只听见该听的那个人，并且绝不错听成别人」。
当小米把「鸡尾酒会问题」做成一个开源大模型、当「目标说话人识别」从实验室论文走向工业落地，声学测试就不再是「消费电子的加分项」，而是「AI 语音落地的底座」。而这张底座，需要一间既懂「声音」、又懂「场景」、还能「多说话人复现」的声学实验室来浇筑。
列星科技，声学环境测试一站式整体解决方案专业服务商。10 年深耕，400+ 声学实验室建设经验，服务华为、微软、三星、大疆、科大讯飞、小米、小米汽车、SGS、TUV 莱茵等全球顶尖客户。从 3dB(A) 超低本底噪声全消声室到可变混响听音室，从多模态声学实验室到声学 + 电磁屏蔽融合实验室——我们为下一代「听得见、听得清、只听见该听的那个人」的 AI 语音，准备好声学测试基础设施。
参考来源：IT之家 9 月 11 日《小米开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1》（端到端 LLM 架构、声纹提示、多说话人测试集 SOTA、拒识非目标说话人、思维链推理）；小米技术官方发布信息等。
