岗位职责
- 探索并构建语音理解与生成统一的大模型架构（Speech Unified Modal），实现从语音到语音（S2S）、文本到语音（T2S）、语音到文本（S2T）的端到端流式交互能力，对标 GPT-4o 音频模式等前沿技术；
- 负责语音离散化（Audio Tokenizer/Neural Codec）算法的改进与优化，提升语音 Token 在语义理解与声学细节（语调、情感、音色）上的表征能力，降低压缩损耗；
- 参与语音大模型的预训练（Pre-training）、指令微调（SFT）及人类反馈强化学习（RLHF）流程；解决长序列建模、跨模态对齐及推理延迟等技术难题；
- 设计并实施大规模多模态数据（语音-文本交错数据）的清洗、合成与增强方案，构建高质量的语音指令数据集（Instruction Tuning Data）；
- 追踪并复现语音与多模态领域的最新顶会论文（如 ICASSP, Interspeech, ICLR, CVPR 等），将最新的自回归（Autoregressive）或流匹配（Flow Matching）技术应用于内部模型创新。
职位要求
- 计算机科学、人工智能、信号处理、电子工程等相关专业在校硕士或博士研究生；
- 精通 Python 编程，熟练掌握 PyTorch 深度学习框架；有 Megatron-LM、DeepSpeed 等大规模分布式训练框架使用经验者优先；
- 深入理解 Transformer 架构及大语言模型（LLM）原理。熟悉主流语音编解码模型（如 VQ-VAE, SoundStream, EnCodec, HiFi-Codec）。熟悉语音大模型相关工作（如 AudioLM, VALL-E, SpeechGPT, Qwen-Audio, GPT-4o Audio 等）。 加分项：
- 在语音合成（TTS）、语音识别（ASR）或多模态学习领域有顶会（ICASSP, Interspeech, ACL, NeurIPS 等）论文发表者优先；
- 有训练百亿参数以上模型经验，或在 HuggingFace/GitHub 有高 Star 开源项目贡献者优先；
- 熟悉扩散模型（Diffusion Model）或 Flow Matching 在语音生成中的应用；
- 具备优秀的英文文献阅读能力，对 AGI 和多模态交互有极强的探索欲。
