不用先分离也能听清目标人：以参考语音作声纹提示的统一识别

英文题目：Xiaomi-CocktailASR-1 Technical Report

标签：#目标说话人提取 | #端到端学习 | #语音 | #大语言模型

评分：7.0/10 | 创新 1.5/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5

👥 作者与机构

• Yiru Zhang：Xiaomi Inc., China
• Hang Su：Xiaomi Inc., China
• Lichun Fan：Xiaomi Inc., China
• Ying Zeng：Xiaomi Inc., China
• Chang Liu：Xiaomi Inc., China
• Yifeng Wang：Xiaomi Inc., China
• Yuquan Liang：Xiaomi Inc., China
• Tao Li：Xiaomi Inc., China
• Lian Li：Xiaomi Inc., China
• Wenhao Yang：Xiaomi Inc., China
• Jian Luan：Xiaomi Inc., China
• Cong Zou：Xiaomi Inc., China
• Heng Qu：Xiaomi Inc., China

📌 核心摘要

针对多人重叠语音中只转写目标说话人的目标说话人识别任务，输入为参考语音加混合语音，输出为目标转写或空文本，难点在于抑制干扰的同时避免单人过抑制与目标缺席误触发。方法链为参考语音、1秒静音与混合语音拼接后送入语音编码器提取融合语义与声纹的帧表示，再经适配器映射至大语言模型语义空间。最后由统一提示分别完成标准转写、空输出拒识或显式推理转写，其中推理模式输出说话人数与声纹相似度等级后再给出转写。与级联式目标说话人提取加识别及外挂说话人编码器方案不同，该设计将声纹提示内化为编码器条件，避免了显式分离与阈值后处理。在LibriSpeechMix 2mix基准下，Xiaomi-CocktailASR-1的TS-WER为2.90%，低于CONF-TSASR的5.40%。单人场景下该模型误拒率低且转写精度接近主流单人模型，兼顾多人与单人识别。该结论适用边界限于中英文会议与合成重叠语音，远场强混响、多语码切换及参考语音极短或失配时的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，输出是什么，哪些信息必须保留？

这篇报告研究的是鸡尾酒会场景下的目标说话人语音识别。输入包含两部分音频与一段文字提示：第一部分是目标人的参考语音，报告写明随机取 1 至 4 秒；第二部分是待识别的混合语音，可能含重叠干扰人、环境噪声，也可能是单人或目标缺席；文字提示告诉模型只转写目标人，目标缺席则输出空文本，思维链模式则要求先写推理再写答案。

输出在标准模式下就是目标人的转写文本或空文本，在思维链模式下则是思考标签内的中间判断加答案标签内的转写。复述方法时必须保留的关键信息是：参考语音与混合语音之间插入 1 秒静音段再拼接送入同一音频编码器，编码器为 0.6 参数量的源自数据到向量第二代的自监督模型并在前端用滤波器组代替原始波形，适配器为轻量线性网络，大语言模型基座为八参数量的第三代问系列模型。

训练数据明确分为约 400000 小时多说话人目标识别数据、约 600000 小时单说话人目标识别数据与约 10000 小时负样本数据，思维链数据的相似度由说话人模型提嵌入算余弦相似再均匀量化为 1 至 5 级并以 3 为阈值。资源状态方面，本次未发现来源绑定且完成安全验证的资源，因此不得声称代码、模型或数据已公开，只能按报告文字讨论可复述的流程与条件。

多说话人识别有哪几条路线，各自解决什么？

报告把相关路线分为多说话人全转写与目标说话人识别两类。多说话人全转写按先进先出的顺序依次转写所有人并用特殊符号分隔，其局限是输出无法与指定身份绑定，当用户只关心特定人时不适用。目标说话人识别则利用目标参考信息只转写目标并抑制他人，更贴近智能家居、穿戴与会议中跟随特定用户的需求。

传统做法是先做目标说话人提取再接识别的级联系统，报告指出这会引入系统复杂度和误差累积。后来的端到端做法把说话人嵌入与识别模型联合优化，但受独立说话人编码器限制。近期把大语言模型引入目标说话人识别的工作被报告认为在复杂真实场景仍有限，例如缺乏对单人场景的保持、对目标缺席的拒识以及可解释推理。

教学例子是：会议记录若用全转写路线，会得到所有人的串接文本还需再找谁说了哪句；若用目标说话人路线并给定主持人的参考语音，则直接得到主持人的句子，这正是本报告选择的任务形态。例子只说明任务形态差异，不代表任何效果承诺。

为什么单人变差、缺席误触与缺少推理是真问题？

报告提出 3 个在实际部署中必须同时成立的要求。第一是单人与多人要兼顾：实际中说话人数不可预知，且以阿里会议数据为例重叠率仅 30% 至 40%，大量时间为单人，若为抑制多人干扰而过度抑制，会在单人时误删目标语音。

第二是目标缺席要拒识：户外或会议中目标人可能暂时不在或沉默，此时输入只有干扰语音，报告将其定义为负样本并要求输出空文本，否则会把无关语音当成指令造成误触发。第三是复杂场景适合显式推理：目标说话人任务天然需要先判断有几人、谁更像目标再转写，显式写出性别与相似度比较既可能减少复杂环境错误，也为下游提供可检查的依据。

3 个问题相互牵制：增强抑制易伤单人，允许空输出易误拒正常语音，加入推理则需额外数据与提示设计。理解这种三角关系是读懂后文数据配比与分阶段训练的前提。

一个样本如何从混合波形走到目标文本？

先沿一个样本走全程有助于建立整体依赖。假设有一段 2 秒的目标人参考语音和一段多人重叠的待识别语音，系统先把参考语音、1 秒静音段、混合语音按顺序拼接成一段音频。拼接音频进入音频编码器变为每帧 1280 维的帧级嵌入，同时保留语义与说话人信息；该嵌入经线性适配器映射到大语言模型的隐特征空间，另一路文本提示经分词器变为文本嵌入，两路拼接后送入大语言模型。

模型在联合输入下以参考部分为条件，在混合部分聚焦与参考声纹最匹配的成分并生成目标转写；若判断混合中无人匹配参考，则生成空文本；思维链模式则先生成说话人计数与相似度比较，再生成答案。以下示意图把 4 种能力放在同一圆环下，帮助对照输入输出形态，图中左上为多人混合只汇总目标句，右上为单人直接转写，左下为目标缺席输出空，右下为先思考后作答。

看图路径： 1. 先看中央圆环四个分区名称，确认多说话人识别、单说话人识别、非目标拒识与思维链四个任务；2. 再看左上多说话人示例中三色波形与三条文本如何只汇总蓝色目标句到机器人输出；3. 再对比左下负样本示例中干扰语音存在但目标行为省略时机器人输出空文本的画法；4. 最后看右下思维链示例中思考标签与答案标签如何同时出现

论文图 1。原论文 Figure 1:：“The introduction of Xiaomi-CocktailASR-1 capabilities.”。

该图中央写有系统名称，4 个扇区分别对应多说话人识别、单说话人识别、非目标说话人拒识与思维链。左上用蓝绿橙三色区分目标与两个干扰人的波形与文本框，最终机器人框只保留蓝色两句目标文本，直观说明抑制干扰而非分离波形。右上单人示例中干扰行用省略号表示无需输出。

左下干扰人波形存在但目标行为省略，机器人框明确写空，说明拒识不是静音检测而是身份不匹配判断。右下在重叠波形下同时给出思考标签提到双人混合与答案标签的目标句，说明推理与转写在 1 次生成中先后出现。读图时不要把波形高度当作音量判决依据，报告的合成集特意随机化信噪比以防止模型走转写最响者的捷径。

编码器、适配器与大语言模型各自算什么？

系统的 3 个计算部件分工明确。音频编码器的输入是上述拼接音频，输出是帧级嵌入，作用是在特征提取阶段就以参考音频为条件自适应增强目标表示并抑制无关人，报告强调这消除了独立说话人编码器。结构上它源自数据到向量第二代的自监督模型，靠掩码预测机制在同一网络内融合语义与说话人信息，前端把原始波形换成滤波器组以加速训练与推理并保持性能。

适配器是轻量线性网络，只做跨模态对齐，把 1280 维的音频嵌入映射到大语言模型的隐空间。大语言模型负责长序列建模与上下文理解，解读拼接后的音频与文本嵌入并生成目标转写。白话说，编码器负责听出谁像目标，适配器负责把听到的表示翻译成语言模型能读的维度，语言模型负责按指令写出句子或空文本。

目标说话人识别 × 语音分离： 目标说话人识别的分工是只输出参考语音指定的人的内容，抑制他人干扰；语音分离的分工是先把混合波形拆成多路干净语音再识别。搭配理由是前者把找人与转写放在同一网络内联合完成，省去独立分离模块与级联误差；组合意义是编码器把参考语音当条件提示，在特征提取阶段就增强目标表示，大语言模型再据此生成转写。

参考语音 × 声纹提示： 参考语音的分工是提供一段目标人的可听样本，时长为 1 至 4 秒随机采样；声纹提示的分工是把该样本与混合语音拼接后送入同一音频编码器，作为判别谁是目标的条件。搭配理由是无需外部说话人编码器抽向量，掩码预测的自监督编码器可在同一网络内融合语义与说话人信息；组合意义是模型靠声纹相似而非靠音量或先后顺序来锁定目标。

下图展示了音频与文本两路如何汇合，左侧底部为参考语音与混合语音拼接框，向上经预训练编码器与线性适配器得到语音与说话人嵌入并占据提示中的语音槽位；右侧底部提示经文本分词器得到文本嵌入；两路在中间拼接后送入大语言模型，顶部按是否启用思维链输出思考段与答案段。

看图路径： 1. 先沿底部参考语音加混合语音方框向上追踪到预训练编码器、线性适配器与语音表征的箭头；2. 再看右侧文本提示经分词器得到文本嵌入后与语音嵌入拼接送入大语言模型的位置；3. 对比顶部输出中虚线思考段与实线答案段的连接方式

论文图 2。原论文 Figure 2:：“The overview of Xiaomi-CocktailASR-1 framework.”。

结合像素可见，左侧虚线框把编码器与适配器包在一起，说明音频侧作为整体提供条件；右侧文本侧单独经分词器上升，说明指令与历史文本不经过音频编码器；中间横条从左到右依次为前文、语音、指令、可选思考、答案，表明语音嵌入是插入到文本序列中的一段，而不是与文本相加。顶部输出中思考段用虚线框表示可选，答案段与结束符为实线，说明标准模式可跳过思考直接作答。火焰图标出现在编码器、适配器与大语言模型处，提示这些部件参与训练更新，但报告未逐阶段给出冻结细节，复现时应以原文阶段描述为准而不猜测冻结矩阵。

静音分隔与声纹判定如何避免走捷径？

输入组织有两个细节值得单独操作化。第一是参考语音后插入 1 秒静音，作用是显式分隔参考与混合并锚定声纹特征，避免模型把拼接边界误认为连续说话。第二是评估协议主动堵住捷径：合成多说话人集在评测时轮流把每个说话人当目标，保证公平；混合信噪比在 0 至 15 分贝随机，使模型不能只转写最响者；另一合成集随机化每人起始时间，使模型不能只转写先说话者。

真实集则按官方时间戳切分为包含完整目标话语的独立段，干扰人数与声学条件不可预知，含远场混响与背景噪声。拒识判定的学习信号来自不匹配参考拼接，即用不在混合中的人作参考并监督为空文本，且无需推理阈值，直接内化到权重。

负样本拒识 × 误拒率： 负样本拒识的分工是在输入中没有目标人时输出空文本，避免转写无关语音；误拒率的分工是度量目标人在场却被错误输出空文本的比例。搭配理由是允许空输出必然引入两类错误的权衡，训练需渐进提高负样本比例来平衡；组合意义是拒识能力被内化到模型权重且推理时无需额外阈值，但必须同时报告拒识率与误拒率才能判断可用性。

初学者易误以为拒识等于能量门限或语音活动检测，本报告的机制不同：它比较的是混合中各说话人与参考的声纹相似度是否达到 3 级阈值，最高且达标者为目标，全不达标则判缺席并输出空文本。相似度数值本身由外部说话人模型提嵌入算余弦相似再离散为 1 至 5 级，离散化是为了避免模型纠缠微小数值差异，提升训练稳定性。

四阶段流水线如何逐步获得四种能力？

训练按能力依赖分为 4 段。第一段为识别基座训练，只用标准识别提示与常规单人识别数据且无参考语音，把预训练语音编码器与语言模型基座经适配器做跨模态对齐，建立基本语音到文本能力。第二段为目标说话人基座训练，在前者基础上用目标说话人数据与专用提示做监督微调，数据含单人与多人混合及对应参考语音，并以 50% 概率做语音噪声混合增强，把一半现有数据变为多说话人重叠语音，同时引入小比例负样本以获得初步拒识而不伤核心识别。

第 3 段为思维链训练，把思维链提示与数据和原目标说话人数据等量混合联合训练，使模型在思维链提示下在思考标签内生成显式推理，在标准提示下直接输出转写。第 4 段为微调，先在精选高质量数据上做监督微调再做强化学习，通过控制多说话人、单人泛化与负样本拒识 3 类数据的混合比来平衡优化。下图为流水线的可执行总览，复现时应按框顺序检查数据与提示是否切换正确。

看图路径： 1. 从左到右依次读出音频编码器加语言模型基座、识别基座、目标说话人基座、带思维链、微调五框；2. 注意前三段箭头标注的监督微调与最后一段标注的监督微调加强化学习的差异

论文图 4。原论文 Figure 4:：“The training pipeline of Xiaomi-CocktailASR-1.”。

图中从左到右 5 个方框依次为音频编码器加语言模型基座、识别基座、目标说话人基座、带思维链的目标说话人、微调。前 3 段箭头仅标注监督微调，最后一段同时标注监督微调与强化学习，说明强化学习只出现在末段精选数据阶段。报告未给出各段学习率、步数与硬件预算，也未说明强化学习的奖励函数与基线形式，这些是复现前必须补问的缺项。

数据规模上，多说话人目标数据约 400000 小时含开源多说话人、模拟混合与日常对话实录，单人目标数据约 600000 小时且参考与目标取自同一说话人的不同话语，负样本约 10000 小时且采样比随阶段动态调整。

标准模式 × 思维链模式： 标准模式的分工是用统一提示直接输出目标转写，兼顾单人、多人混合与负样本拒识；思维链模式的分工是先在思考标签内输出说话人数、性别与声纹相似度推理，再在答案标签内输出转写。搭配理由是两种模式用不同提示区分并混合训练，使推理过程显式化又不破坏直接转写能力；组合意义是用户可按需开关推理，推理步骤还可为下游提供说话人计数等辅助信息。

单人数据用同一人不同话语构造参考与目标对，目的是防止多人抑制过强；负样本用不匹配参考拼接，目的是学会空输出；思维链数据用模板覆盖多人正样本、单人正样本与负样本，含说话人计数、每人性别与相似等级，最终按最高相似与 3 级阈值判定目标或缺席。

用什么数据、指标与对照来测四种能力？

评估分为 3 类数据集。合成多人集包括从干净朗读集构造的混合集与随机化起始时间的混合集，评测时轮流以每人为目标；真实多人集包括英语单麦克风会议集的单通道远场与中文远场 8 通道阵列的零通道，考验自发重叠、混响与噪声。单人集包括英语朗读、会议头戴麦克风、中文近场会议等，用于检查是否过度抑制导致删除错误。

负样本集包括英语朗读负样本、中文负样本与中文内部实录负样本，参考取自不在输入中的说话人。指标方面，目标说话人词错率与字错率分别用于英文与中文且只与目标真值比对，方向越低越好；拒识率是负样本中正确输出空文本的比例，越高越好；误拒率是正样本中错误输出空文本的比例，越低越好；非空词错率是去掉空输出样本后重算的词错率，用于剥离误拒对整体词错率的冲击。

比较对象包括通用识别模型、通用多模态大模型加目标提示的做法，以及针对特定集优化的既往目标说话人模型，报告强调后者在单一分布强但跨集泛化弱。

目标说话人词错率 × 非空词错率： 目标说话人词错率的分工是只与目标人真值文本比对的整体错误率，含空输出带来的删除错误；非空词错率的分工是去掉所有输出为空的样本后重算的转写准确性。搭配理由是拒识模型的 1 次误拒会剧烈拉高整体词错率，单看整体无法区分是认错字还是误拒；组合意义是两指标并看才能分离转写能力与拒识策略的影响。

思维链样本的形态可直接看原文示例，它把音频时间分段、参考性别、各说话人性别与相似等级、阈值比较与最终答案写在同一模板内，单人、双人与负样本格式不同，负样本最终答案为空。复现评测时必须同时核对数据集、模型、阶段、指标、单位与聚合对象，数值相同不代表指标相同，百分点与相对百分比也需区分。

多人混合时目标转写到底准了多少？

该小节回答合成多人集上的核心问题：在不能靠音量与先后顺序取巧的条件下，凭声纹锁定目标的能力是否成立。比较条件是同一混合集下轮流以每人为目标，指标为目标说话人词错率且越低越好。下表保留了本方法、通用识别模型与既往目标说话人模型的必要对照，其中通用模型未做目标说话人专项训练，既往模型多为单集优化，表格单位为词错率百分比。

表中本方法在两说话人与三说话人合成集上全面低于通用识别模型的词错率，也低于表中既往目标说话人模型的对应值。报告据此写出两组相对下降：在两说话人混合集上从 4.84% 降至 4.11%，相对下降约 15.1%；在随机起始时间两说话人集上从 5.40% 降至 2.90%，相对下降约 46.3%。支持的判断是：大规模多说话人混合训练使单一模型跨合成集泛化，而通用模型在高度重叠下词错率高达 60% 至 160% 以上，说明缺少声纹条件难以完成任务。限制是：合成集仍是受控混合，不能直接推广到远场会议；未胜出项需正视，例如三说话人混合的词错率仍在 12% 左右，说明人数增加后干扰抑制难度显著上升。

真实会议远场下还能保持优势吗？

该小节回答真实远场会议问题：在含自发重叠、混响与噪声且干扰人数不可预知的条件下，优势是否还存在。比较条件是按官方时间戳切分的独立话语段，指标仍为目标说话人词错率越低越好，通道与切分按原文固定。下表聚焦英语单麦克风会议与中文远场会议两个真实集，并保留通用识别与既往目标说话人对照，单位为词错率百分比。

表后解释需同时给出收益与代价。在英语远场会议上，本方法词错率为 21.81%，略优于既往最优的 22.0%；在中文远场会议上，本方法为 20.63%，大幅低于既往最优的 27.50%，报告显示通用模型在真实集因含单人段而比合成集有所回升，但仍在 30% 以上或更高。支持的判断是统一架构跨语言与跨声学场景泛化，而非只在某一合成分布上取胜。代价与边界是：真实集绝对词错率仍在 20% 左右，远高于合成两说话人集的低个位数，说明远场混响与自发重叠仍是瓶颈；表格中部分基线在某语言缺测，用横线表示未报告，比较时不得把缺测当零分，也不得跨语言直接排名。

单人时会不会把目标也抑制掉？

该小节回答单人保持问题：加入多人抑制与拒识后，单人是否出现删除错误。比较条件是单人数据集上的转写，指标同时看误拒率与非空词错率，前者越低越好，后者越低越好。下表按原文连续句整理，不合并不同指标：每行明确测试集与子指标类型，区分误拒率与非空词错率，避免把重复数据集表头误读为同一指标。

表后解释要分离两种错误。本方法在中文近场会议 AliMeeting-Near 上非空词错率为 6.57%，对照基线为 6.39%；在会议集 WenetSpeech(meeting) 上为 5.81%，对照基线为 5.84%，两者基本持平，不存在把 6.57% 与 5.81% 归于中文通用集或头戴麦克风集的误读。在会议头戴麦克风 AMI-IHM 上非空词错率为 8.89%，优于最强基线的 10.56%。在英语朗读上误拒率为 0.36%，对整体词错率仅有轻微影响。

关键反例是通用多模态模型在单人下误拒率高达 21.31%，非空词错率也被拉高，说明无平衡训练的拒识偏置会严重损伤正常识别。本方法的代价是引入拒识后仍有小概率误拒，但幅度远小于上述偏置模型。限制是：单人集多为近场或干净条件，不能证明所有远场单人的删除错误都已消除。

思维链推理带来的是稳定增益还是偶然波动？

该小节把思维链当作可开关策略来检验：在同一合成多人集上，标准提示直接作答与思维链提示先推理后作答相比，词错率如何变化。条件一致性要求除提示与输出格式外，音频输入与目标定义不变，指标为词错率越低越好。下表直接给出两种模式在两说话人与三说话人集上的成对数字，是原文明确的实际可运行策略对比，而非事后最优值。

表后解释需给出增益幅度与适用条件。思维链在两说话人混合集上从 4.11% 降至 3.87%，下降 0.24 个百分点；在三说话人混合与随机起始时间集上也有 0.002 至 0.10 个百分点的下降，方向一致但幅度较小。报告将其解释为显式逻辑引导模型关注关键声纹特征，从而在复杂环境减少错误，同时推理中的说话人计数与活跃信息可服务下游理解。反证与边界是：增益总体温和，不能当作大幅跃升；原文仅在合成集上报告该消融，未在真实远场会议与负样本上给出思维链的拒识率与误拒率变化，因此不能把合成集的微增益推广为全场景成立，推理带来的额外生成开销也未被测量。

哪些数字不能直接当作部署承诺？

首先区分报告直接显示与待验证推断。报告显示的是：在给定参考语音、静音分隔、特定切分与通道下的目标词错率、拒识率与误拒率；支持的是：统一提示可兼顾单人与多人且拒识无需阈值，思维链在合成集上小幅改善。待验证的是：更长参考是否单调更好、不同口音与年龄的声纹区分稳定性、远场单人与强噪声下的删除错误，以及思维链在真实会议的收益。

负样本方面，报告显示本方法在英语朗读负样本、中文负样本与中文内部负样本上的拒识率分别为 79.59%、75.35% 与 68.54%，而通用识别模型为 0，通用多模态模型在英文更高但在中文更低；但拒识率越高不等于整体越好，必须结合误拒率看权衡，且负样本集与合成及单人集同源，公平但仍是受控构造。

原文未报告训练算力、推理延迟、输出帧率与实际误触成本，也未给出统计显著性与置信区间，因此不得承诺延迟或成本改善。表格中用横线表示的缺测项应明确标注为未评测边界，而非模型失败。

要复现应先固定什么，再补测什么？

复现先做三件可执行的事。第一是固定信息条件：参考语音取同一人不同话语的 1 至 4 秒，拼接时插入 1 秒静音，评测合成集轮流以每人为目标并记录信噪比与起始时间随机种子，真实集严格按官方时间戳切分与指定通道。第二是固定提示与输出解析：标准提示只接受转写或空文本，思维链提示必须解析思考标签与答案标签，负样本以空答案为正确，统计时同时计算目标词错率、拒识率、误拒率与非空词错率，避免单看整体词错率。

第三是按 4 阶段顺序检查数据配比：先单人识别对齐，再以 50% 噪声混合增强引入多人重叠与小比例负样本，再等量混入思维链数据，最后用高质量精选数据做监督微调与强化学习并控制 3 类数据比例。还需补的验证包括：在真实远场上补测思维链开关的成对差异，在不同参考时长与不同信噪比下做分层曲线，以及记录推理步数与延迟开销。

由于本次未确认代码与权重可达，复现应视为按文字重建流程，而非下载即运行；任何缺失的超参数、奖励设计与硬件预算都应在复现报告中列为缺项而不是猜测填补。

何时值得尝试这种声纹提示路线？

当任务满足 3 个条件时值得尝试：用户身份已知且能提供数秒参考语音，输入中说话人数不可预知且含重叠，目标缺席时宁可输出空文本也不愿误转写。此时把参考与混合拼入同一编码器的做法省去了独立说话人编码器与分离模块，统一提示同时处理单人、多人与拒识，思维链模板把性别与相似度比较显式化以便检查。

若场景是全员转写而不需绑定身份，或完全无参考语音，则该路线不适用，应选多说话人全转写或其他无提示识别。采用前应先在自身数据上复测误拒与漏拒的代价，因为拒识本质是阈值内化的二分类，68% 至 79% 的拒识率意味着仍有 20% 至 30% 负样本会被转写，而任何非零误拒都会在交互中被放大。

总体上，报告的价值在于用同一架构平衡了多人与单人并给出可检查的推理格式，但真实远场 20% 左右的词错率与受控的负样本构造提醒我们，它更适合作为会议助手与家居跟随中的目标增强部件，而不是开箱即用的全场景终点。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1

• 评分模型：muse-spark-1.3-contributor

• 评分请求协议：openai_responses

← 返回 2026-09-12 语音/音乐/音频论文速递