Xiaomi apresenta modelo de reconhecimento de voz de nível industrial, focado em alto-falantes, de código aberto

Em 11 de setembro de 2026, a Xiaomi anunciou o lançamento e a disponibilização de código aberto do seu modelo de reconhecimento de voz de nível industrial, focado em alto-falantes, denominado Xiaomi-CocktailASR-1. O modelo foi desenvolvido para resolver o problema da 'festa de cocktail', onde a precisão do reconhecimento de voz diminui significativamente em ambientes com múltiplos falantes. O Xiaomi-CocktailASR-1 utiliza uma arquitetura de modelo de linguagem (LLM) de ponta a ponta, aproveitando um exemplo de áudio do falante-alvo para transcrever com precisão a sua fala em ambientes ruidosos. Alcança um desempenho de última geração em vários benchmarks multi-falantes, superando as soluções existentes. O modelo também corresponde aos modelos de reconhecimento de voz padrão em cenários com um único falante e pode rejeitar entradas de falantes não-alvo, produzindo saídas vazias quando o alvo está ausente. Além disso, suporta o raciocínio de cadeia de pensamento para resultados interpretáveis. O modelo está disponível no GitHub e no HuggingFace.