start	end	text
0	10000	哎,會議裡幾個人同時說話,普通語音識別的問題不只是聽不清,更是不知道該聽誰。如果你只需要其中一個人的文字,先把每個人都分離出來,未必是最直接的路。
10000	22000	Xiaomi Cocktail ASR-1給出了另一個思路。先輸入一段目標人的參考聲音,再輸入單人或多人混合語音。參考聲音就像一把聲文鑰匙,模型直接只轉錄對應的說話人。
22000	29000	機子說清了,先聽一組官方演示。第一段是目標人的參考聲音,第二段是帶識別的混合語音。
30000	35000	我想註冊一下聲文,這是一條註冊音頻。
35000	41000	人們設計AI配方的過程,本質上主要還是一個不斷試錯的過程。
41000	48000	模型最後輸出的是,人們設計AI配方的過程,本質上主要還是一個不斷試錯的過程。
48000	53000	這裡不是先分出每一路音頻,而是用參考聲音直接約束轉寫目標。
53000	67000	聽到效果後,再看真實會議數據。官方報告中,這個模型在AM&SDM上的詞錯率是21.81%,在ElimitingFar上是20.63%,對比表裡都明顯低於直接處理混合語音的通用模型。
67000	74000	但只會轉路還不夠,如果參考聲音的人根本沒在待識別音頻裡,模型應該保持沉默。
74000	76000	下面再聽一組副樣本。
76000	77000	嗨同學。
77000	80000	嗨有關系。
80000	82000	這組副樣本的官方結果是空。
82000	93000	三個副樣本測試集上,句實率分別是79.59%,75.35%和68.54%,但句實不是100%,正樣本也有最高0.73%的物據率。
93000	97000	選行時要同時看詞錯率、句實率和物據率。
97000	100000	開始試跑,只需要四個依賴,兩段音頻和一次模型調用。
100000	103000	準備一段目標人參考音頻和一段代識別音頻。
103000	107000	輸入期望是16000赫兹聲道,成功後應該只返回目標人文本。
107000	110000	再換一段不相關的參考聲音,預期結果是空。
110000	116000	最後的選行結論很清楚,指定受訪者轉路,以登記用戶語音入口或多人環境跟踪固定說話人。
116000	117000	他很對提。
117000	121000	需要保留所有發言人的完整會議,就應該用說話人日誌或分離流程。
121000	127000	官方示例使用約80億參數模型、CUDA和遠程自定義代碼,先做小樣本驗證再接入。
127000	128000	這裡是智聲工坊。
128000	130000	我們在智聲工坊。
130000	131000	我們在智聲工坊。
131000	132000	我們在智聲工坊。
132000	133000	我們在智聲工坊。
133000	134000	我們在智聲工坊。
134000	135000	我們在智聲工坊。
135000	136000	我們在智聲工坊。
136000	137000	我們在智聲工坊。
137000	138000	我們在智聲工坊。
138000	139000	我們在智聲工坊。
139000	140000	我們在智聲工坊。
140000	141000	我們在智聲工坊。
141000	142000	我們在智聲工坊。
142000	143000	我們在智聲工坊。
143000	144000	我們在智聲工坊。
144000	145000	我們在智聲工坊。
145000	146000	我們在智聲工坊。
146000	147000	我們在智聲工坊。
147000	148000	我們在智聲工坊。
148000	149000	我們在智聲工坊。