Xiaomi представила и открыла исходный код новой модели Xiaomi-CocktailASR-1, предназначенной для распознавания речи конкретного человека в условиях, где одновременно говорят несколько людей и вокруг много постороннего шума. Модель решает так называемую «проблему коктейльной вечеринки»: вместо попытки расшифровать весь звуковой поток она должна понять, кто именно нужен системе, и преобразовать в текст только его речь.
Ключевая особенность CocktailASR-1 - использование короткого образца голоса выбранного человека в качестве voiceprint prompt. Такой эталон фактически сообщает нейросети, чей голос следует искать среди остальных собеседников. При этом модели не требуется сначала разделять аудиозапись на отдельные голосовые дорожки: идентификация говорящего и распознавание его речи объединены в одной архитектуре.
Есть у системы и важная защита от ложных результатов. Если голос заданного человека вообще отсутствует в записи, CocktailASR-1 способна не придумывать расшифровку, а вернуть пустой текст. Для реальных переговоров, совещаний и многоголосых разговоров это особенно полезная функция: модель должна не только услышать нужного человека, но и понять, когда он молчит.
Тесты показывают высокую точность. На синтетическом наборе LibriMix целевая ошибка распознавания речи (TS-WER) составила 4,11%. Разработчики также проверили модель на нескольких синтетических и реальных многоговорящих наборах данных, где CocktailASR-1 продемонстрировала результаты уровня state of the art.
Таким образом, Xiaomi предлагает не просто очередную систему транскрибации, а ИИ, который умеет выбрать конкретный голос из общего шума и расшифровать именно его речь. Модель также поддерживает режим Chain-of-Thought для пошагового рассуждения при обработке результата.
Новости нейросетей
20.09.2026