高德-语音生成&交互算法工程师-北京

负责高德全栈语音技术，能力覆盖语音生成与语音交互两条主线：自研 TTS 基座大模型、多语种与可控语音生成、语音识别与复杂声学理解、端到端对话模型与全双工交互、RTC 流式语音、端侧模型、模型服务与推理优化，以及配套的数据与自动评测体系。业务承载高德全部核心场景：语音导航、AI 领航员、AI 语音助手、室外步行导航与具身交互、IP 语音定制与虚拟陪伴、国际化、智能外呼、语音内容生成（有声书、播客、交互式播客）。团队通过前沿语音技术的研究与落地，支撑下一代 AI 产品创新。 职责

1. 语音交互系统研发 研发多模态对话大模型，实现"边听、边说、边想、边做"的交互形态：流式声学与时空上下文感知、增量语音输出、推理与生成并发、对话中调用工具完成任务。承担语音对话 pipeline、端到端、以及分层解耦（Thinker + Talker）三类方案的选型与实现，攻克全双工下的轮次让渡与抢占时机、打断与恢复、backchannel、流式推理链（reasoning in streaming）、主动发起交互（proactive interaction）。落地语音增值服务、室外步行导航、具身交互、本地生活通用语音入口等场景，并与高德全链路各 Agent 协同优化端到端交互体验。
2. 模型架构与训练方法创新 在首包与端到端延迟约束下提升模型智力上限（实时智能），优化方向包括注意力与状态空间结构、推理期算力动态分配、深度与专家稀疏化；探索文字 / 语音 / 视觉跨模态混合训练的最佳实践，以及面向 speech language model 的后训练技术（指令微调、偏好对齐、蒸馏与能力保持）。
3. 复杂声学理解与拟人化交互 提升复杂声学场景下的语音理解与副语言信息（情感、意图、说话人状态）建模能力，融合时空上下文；优化交互行为的灵活度、时机合理性，以及生成内容与音色的自然度，目标是在盲测中难以与真人区分。
4. 语音生成前沿技术 连续值自回归建模、多码本并行预测与延迟模式、指令驱动的可控合成（音色 / 风格 / 情感 / 韵律解耦与组合）、广义音频生成（T2A：语音 / 音效 / 环境声统一建模）、面向人类偏好与可验证指标（清晰度、说话人相似度、韵律)的强化学习优化、超越 WER 与 MOS 的多维自动化评测体系。
5. 创新业务形态落地 生成侧：长篇小说有声化、播客自动生成、交互式播客（可打断、可追问、按听者兴趣动态改写内容）；交互侧：IP 语音包向具备长程记忆、稳定人格与成长感的虚拟陪伴演进。
6. 海量语音数据与评估体系 建立数据的定性分析与定量评估手段，设计自动评估框架，研发 scalable 的数据质量改进方案。以上工作均要求跟进语音理解、语音生成、语音交互三个方向的最新进展，提出新的技术框架或改进现有算法，持续提升技术与业务指标；鼓励撰写论文、申请专利。