The posting
1.参与面向下一代语音生成大模型和产品的数据建设,重点支持语音、音效、音乐等音频模态的高质量源数据扩增; 2.参与多语言、小语种、方言、口音、说话人、场景、风格、情绪、音效和音乐等维度的数据收集、筛选、清洗和构造; 3.参与大规模音频数据处理 pipeline 建设,包括音视频处理、音频切分、VAD、转写、说话人分离、文本对齐、去重、质量筛选、自动化质检和数据分析; 4.与算法、训练和评测团队协作,根据模型效果反馈分析数据缺口,围绕数据质量、多样性和复杂度持续优化训练集、评测集和专项能力数据。
1.人工智能、计算机、自动化、数学、语言学、语音、信号处理、数据科学等相关专业优先; 2.对语音生成、音频生成、音乐生成、多语言、方言、小语种、多模态或大模型数据工作有浓厚兴趣,理解数据是大模型能力形成的关键; 3.具备扎实的编程基础,熟悉 Python,能够编写数据处理脚本、自动化工具或分析 pipeline; 4.了解常见音频数据处理方法,包括音频切分、VAD、转写、文本对齐、去重、质量筛选等; 5.对多语言、方言、口音或文本规范化问题感兴趣,了解方言文本前端、方言词表、读音规则、拼音/音素映射等方向者优先; 6.具备良好的数据意识,能够从质量、多样性和复杂度三个维度理解和分析数据对模型效果的影响; 7.了解千万小时级别训练数据建设中的数据规模、处理效率、版本管理、训练/评测隔离和可追溯问题者优先; 8.了解 SQL、Shell、Linux、Git,以及 Ray、Lance、Daft、Spark、DuckDB、Parquet、Arrow 等大规模并行数据处理工具者优先。



