小米的开源模型能在三人同时说话时只认准一个人
小米上周五发布了免费的 CocktailASR-1 语音模型。你给它一段目标说话人的声音样本，它就把其他人当作背景忽略。三人混说时它的词错率是 12.29%，两人混说时是 4.11%。
为什么重要?两个人一开口叠在一起，会议纪要和字幕就全乱了。权重公开，意味着这件事可以在你自己的机器上跑，而不是公司的服务器。
▶ 相关视频: Solving the Cocktail Party Problem with Deep Learning (In-depth version)
在App中阅读——免费，9种语言
相关新闻
DeepSeek 正在小范围测试它的第一个语音功能2026-09-14ElevenLabs新音乐模型让免费用户也能卖自己的歌。
2026-09-13一家中国零售商开源了边走边生成世界的模型。
2026-09-13Kimi便宜的编程模型把百万上下文开放给所有人
2026-09-12一家中国地图公司造出了可以飞进去的三维世界。
2026-09-11