岗位职责
- 负责Token Foundry多模态口语交互的算法研发，通过深入理解全链路多模态交互技术，推进大模型增强的语言交互技术能力建设。
- 多模态交互： （1）端到端多模态联合建模 - 语音/视觉/文本等模态融合并应用于人机交互场景。 （2）多模态交互应用算法 - 意图动态规划、多智能体协作、多任务推理、主动交互。 （3）多模态对话系统设计 - 多轮交互状态管理、情境感知、情感理解及生成控制。
- 音视频内容理解： （1）转写内容后处理 - 书面化、标点、分段分章节。 （2）音视频分析 - 分角色、语种判别、视频场景划分。 （3）口语内容长篇章理解及生成。
- 探索多模态口语交互技术落地于实际应用场景，包括但不限于： （1）消费电子-智能穿戴实时交互、手机多模态助手、具身机器人环境感知。 （2）内容消费-音视频媒资、会议场景、电销通话多模态理解等。
- 持续关注行业前沿动态，通过专利申请、论文和技术报告等形式提升团队的技术影响力。
职位要求
- 计算机或通信专业硕士及以上学历。
- 具有2年以上多模态交互或语言理解算法研发经验，以下领域至少精通一项： （1）多模态联合建模（语音+视觉/文本等）。 （2）对话系统设计及开发。 （3）口语语言理解。 （4）多智能体交互决策。
- 精通基于深度神经网络的机器学习算法，熟悉Transformer、GPT、LLM等算法原理，掌握 AI 产品开发的开源工具和框架，具备优秀的编程能力。
- 具备以下经验者加分： （1）在顶级会议或期刊上发表过相关领域的论文。 （2）有业界前沿的语音多模态交互或数字人交互系统的算法经验。
