Xiaomi presenta un modelo de reconocimiento de voz de código abierto para aplicaciones industriales

El 11 de septiembre de 2026, Xiaomi anunció el lanzamiento y la publicación de su modelo de reconocimiento de voz para aplicaciones industriales, diseñado para altavoces, llamado Xiaomi-CocktailASR-1. El modelo está diseñado para abordar el problema del 'ambiente de fiesta', donde la precisión del reconocimiento de voz disminuye significativamente en entornos con múltiples hablantes. Xiaomi-CocktailASR-1 utiliza una arquitectura de modelo de lenguaje grande (LLM) de extremo a extremo, aprovechando una referencia de audio del hablante objetivo para transcribir su voz con precisión en entornos ruidosos. Logra un rendimiento de última generación en varios conjuntos de datos de múltiples hablantes, superando a las soluciones existentes. El modelo también se corresponde con los modelos de reconocimiento de voz estándar en escenarios con un solo hablante y puede rechazar las entradas de hablantes no objetivo, produciendo salidas vacías cuando el objetivo está ausente. Además, admite el razonamiento de tipo 'cadena de pensamiento' para obtener resultados interpretables. El modelo está disponible en GitHub y HuggingFace.