当机器学会“只听一个人说话”

想象一下这样一个场景：晚高峰的地铁车厢里，你戴着耳机接通电话，对面朋友的声音和车厢广播、邻座外放的短视频、轨道摩擦的轰鸣同时涌入耳朵。你不需要按下任何“降噪”按钮，就能自然地锁定朋友的声音，甚至能在广播响起的瞬间，下意识地把注意力更紧地“拧”向电话那头。这种能力，人类习以为常，机器却为之挣扎了半个多世纪。

语音识别在安静环境下的表现早已今非昔比。端到端模型在通用场景下的字错率可以压到很低，日常对话的转写质量已经接近“改几个错字就能用”的程度。但一旦把机器放进真实世界——多人同时开口、远距离拾音、背景噪声起伏不定——它的表现就会像换了一副耳朵，急剧退化。业内把这个问题叫作“鸡尾酒会难题”：当多个人同时说话时，系统不仅要听清“说了什么”，还要判断“是谁在说”，并且只把目标那个人的话转写出来。

2026年，这个难题的解法开始变得具体起来。

小米在9月开源了一款名为Xiaomi-CocktailASR-1的模型，它的思路不是让模型在嘈杂中“硬听”，而是给它一个“声纹锚点”。用户只需要提供目标说话人的一小段参考音频，模型就能以这段声纹作为提示，从混杂的多人语音流中锁定那个人，只转录他的内容。更关键的是一个容易被忽略的设计：如果目标说话人根本不在场，模型会主动输出空文本，而不是把别人的话误当成目标语音转写出来。这意味着它不只是一个“更准的识别器”，而是一个具备“选择性”的听觉系统——知道该听谁，也知道什么时候不该听。

这种“选择性”正是鸡尾酒会问题的核心。在同期的CHiME-9多模态挑战赛中，研究者们对比了多种系统后得出一个反直觉的结论：语音重叠本身并不能完全解释识别难度的差异，真正困难的是说话人归属的模糊性和对话结构的碎片化。换句话说，机器面对的问题不是“声音叠在一起所以听不清”，而是“它不知道该把哪句话归给哪个人”。小米模型的声纹提示机制，本质上就是在给机器一个关于“归属”的线索。

另一条路径则从人类的本能中借力。人类在嘈杂中听人说话时，眼睛从来不会闲着——我们会下意识地看对方的嘴。听觉语音识别与视觉唇动的融合，正在成为提升嘈杂场景鲁棒性的重要方向。一项2026年的多模态融合研究显示，在音频模型的基础上引入唇部图像序列后，词错误率相对降低了51.9%，代价是计算开销增加约50%。这个交换比在工程上未必总是划算，但它揭示了一个方向：当声音本身已经被噪声侵蚀到信息量不足时，视觉提供的冗余不是“锦上添花”，而是“雪中送炭”。

不过，这些进展并不意味着鸡尾酒会问题已经被“解决”。目标说话人提取仍然需要参考音频，意味着系统在“听”之前已经被告知了“该听谁”；而在真实对话中，谁在说话、谁在和谁说话、话题何时切换，这些判断往往需要在没有任何先验提示的情况下实时完成。CHiME-9的分析也指出，当前不同系统分别攻克的是这个问题的不同侧面，没有一个单一方案能覆盖所有失败模式。

真正值得留意的变化发生在问题被重新定义的方式上。过去的语音识别追求的是“在任何条件下把语音转成文字”，而现在的前沿开始转向一种更接近生物听觉的逻辑：先确定“听谁”，再决定“听什么”；先判断“该不该听”，再执行“怎么听”。当机器不再试图平等地对待每一个进入麦克风的声音，而是学会在声纹、视觉线索和对话结构中做出选择时，它离“在嘈杂世界里听懂一个人”才真正近了一步。这条路还很长，但方向已经和过去不同了。