小米 CocktailASR-1 免费吗：开源协议与商用边界

免费。小米 CocktailASR-1 以 Apache License 2.0 协议开源，模型权重放在 HuggingFace 公开下载，个人和商用都可以免费用，不需要 API Key、不按次计费。你要付出的只有本地跑推理的显卡算力。本文说清入口在哪、免费到什么程度、模型值不值得下。

正确入口：GitHub 和 HuggingFace

两个入口都是官方的：

1. GitHub 仓库：xiaomi-research/xiaomi-cocktailasr-1，项目说明、批量推理脚本、正负样本示例音频都在这，仓库采用 Apache-2.0 许可证。
2. HuggingFace 权重：Ease3/Xiaomi-CocktailASR-1，模型定义代码和全部权重发布在这里，无需申请、无审核、无配额。

搜索时注意别认错：这是小米研究团队（xiaomi-research 组织）发布的「目标说话人语音识别」模型，不是小米手机内置的语音助手功能。

免费到什么程度：三层拆开看

1. 代码免费：GitHub 仓库 LICENSE 明确为 Apache License 2.0，属于对商用最友好的开源协议之一。
2. 权重免费：HuggingFace 直接下载，官方 README 写明模型定义代码与权重都发布在 HuggingFace。
3. 商用允许：Apache 2.0 允许商业使用，条件是保留版权声明和许可证副本，修改过的文件需要标注变更。

但要分清「免费」不等于零成本：官方目前没有提供免费的在线 API 或网页试玩，你需要自己准备算力跑推理。官方示例代码用 CUDA 和 bfloat16 加载，意味着需要一张 NVIDIA 显卡。想了解本地跑大模型的硬件门槛，先看站内这篇端侧 AI 是什么。

它是个什么模型，值不值得下

CocktailASR-1 是目标说话人语音识别大模型：给它一段参考音频，它只转录参考说话人说的内容，自动忽略其他人。三个能力让它和普通 ASR 拉开差距：

1. 多说话人场景达到 SOTA：官方 README 数据，LibriMix 2mix 测试集词错率（WER）4.11%，同表 Qwen3-ASR 为 68.75%、Gemini 为 48.41%。
2. 负样本拒识：参考说话人不在音频里时输出空结果，README 实测拒识率在 LibriSpeech 负样本集上为 79.59%，能显著降低误触发。
3. 思维链推理：CoT 模式会在标签里给出可解释的推理过程，最终结果单独输出。

单说话人场景也不弱：LibriSpeech 上 WER 1.73%，和主流单人 ASR 模型同档。一句话，会议转写、多人对话字幕这类「只关注一个人」的需求，它是当前开源里的第一梯队。

怎么跑起来：最小三步

1. 装依赖：pip install torch torchaudio transformers soundfile。
2. 加载模型（首次运行自动从 HuggingFace 下载权重）：

from transformers import AutoModel
model = AutoModel.from_pretrained(
    'Ease3/Xiaomi-CocktailASR-1',
    trust_remote_code=True,
    torch_dtype='bfloat16',
).cuda().eval()

1. 传入目标音频和参考音频：text = model('target.wav', 'ref.wav')，返回的文本就是目标说话人的转录内容。

新手最容易踩的四个坑

1. trust_remote_code=True 不能漏：模型用自定义代码加载，漏了这个参数直接报错。
2. 音频规格：输入要求 16k 单声道，非 16k 会自动重采样，但源音频质量直接影响识别效果。
3. 留意空结果：模型有拒识能力，正样本也有小概率被误判为空（README 用误拒率 FRR 表说明了这一点），批量处理时要做空结果检查。
4. 批量转写别手写循环：官方 tools/test_batch_scp.py 直接读 TSV 文件批量跑，参考音频拼接在模型内部自动完成。

需要了解这个模型在国内网络环境下怎么顺利下载，看站内这篇CocktailASR-1 国内获取指南；想系统理解语音识别的基本概念，先读什么是 ASR。