岗位职责
- 研发前沿的音频大模型 (Audio-LLM)，实现语音识别 (ASR)、语音合成 (TTS) 与音频理解的端到端融合。
- 优化多语种、情感化及高表现力的语音生成，提升在复杂环境（噪声、多人交谈）下的语义提取鲁棒性。
- 设计并优化多模态音乐生成模型，涵盖风格、韵律、和声、节奏等多维度生成任务。
- 探索音频 Tokenizer 优化，实现音频与 LLM 符号空间的对齐。
职位要求
- 熟悉主流音频架构（如 Whisper, VITS, AudioLM, Vall-E，CosyVoice）；
- 精通音频信号处理及神经编解码器（Neural Codec）；
- 有全双工、超低延迟流式语音交互系统（Real-time Interactive Voice）的落地经验者优先。
