大模型语音算法

工作职责： 1. 单人/多说话人语音识别。 2. 语音合成与高质量音频合成。 3. 音频前端与音色转换。 4. 音色克隆(Zero-Shot TTS)。 5. 音乐生成 / 歌声生成。 6. 理解指令遵循能力提升与推理，包括 SFT, GRPO 等。 7. 流式音频交互模型的推理与加速 (熟悉RTC/WebSocket等)。 岗位要求 1. 计算机、机器学习等相关专业，博士及硕士优先。 2. 较强的代码能力，具有丰富的 TTS / Codec / 流ASR 研究经验，具有相关数据处理经验。 3. 精通 Python 以及 Pytorch 等深度学习框架。 4. 熟悉 Transformer 架构以及大语言模型基础知识。 5. 善于平衡研究目标及落地实现，且结果导向。 6. 良好的沟通和合作能力。 7. 关注技术影响力，具有开源开放精神。 加分项： 1. 曾发表顶级会议论文并具有一定的学术影响力，包括但不限于 NeurIPS、ICLR、ICML、ACL、CVPR、ECCV、InterSpeech 等，具有一些有深度的研究工作是较大加分项，欢迎其他方向的多模态同学看音频方向的机会。 2. 具有较强的工程能力，有开发音视频实时交互系统的经验。 3. 具有高表现力/鲁棒 TTS 生成模型研究/开发经验。 4. 具有持续打磨好每一个技术细节的钻研精神。 5. 拥有知名开源项目，在开源社区具有较好的影响力。