The posting
负责核心语音交互能力的算法研发与工程落地,方向包括但不限于:ASR/音频理解、TTS/语音合成、LLM/Agent、RTC实时音视频通信;
针对业务场景,设计并优化端到端语音识别、语音合成、大语言模型对话系统或多模态音频理解模型,提升识别准确率、自然度、交互体验和系统稳定性;
参与大规模模型训练与推理优化,包括多卡训练、分布式策略(DeepSpeed/FSDP/Megatron)及服务化部署(Triton/TensorRT-LLM/ONNX Runtime/vLLM 等);
负责语音前处理/后处理模块(VAD、降噪、回声消除、特征提取、说话人分离、声纹识别等)的研发与调优;
承担实时音视频通信系统的架构设计与网络优化,处理弱网、丢包、抖动、NAT穿透等复杂问题;
跟进前沿技术(Speech LLM、多模态大模型、Diffusion、Flow Matching、Agent 框架等),推动技术迭代与创新;
与产品、工程团队紧密协作,完成模型从训练到上线、监控的全链路工程化,保障高并发、低延迟的商用服务质量。
基本条件
学历:计算机科学、人工智能、信号处理、通信工程、电子工程等相关专业硕士及以上学历(RTC方向可放宽至本科);
经验:2~4年相关方向研发经验,有完整项目落地或产品上线经历。
技术能力(按方向侧重)
ASR / 音频理解方向
精通端到端ASR算法原理,熟悉Self-Supervised Learning、Speech LLM、多模态大模型;
熟悉音频特征提取(Fbank/MFCC/Spectrogram)、VAD、降噪、回声消除;
熟练使用PyTorch/TensorFlow,具备分布式训练与推理优化经验;
熟悉开源工具链(WeNet/ESPnet/FunASR/Whisper等)并有源码级优化能力者优先。
TTS / 语音合成方向
精通大模型TTS原理,熟悉Diffusion、Flow Matching、GAN、VAE等生成模型;
熟悉Mel-spectrogram、F0、MFCC等音频特征处理;
有大模型TTS训练、音频生成项目落地经验者优先。
LLM / Agent 方向
熟悉主流LLM(GPT、Llama、Qwen、DeepSeek等)调用、微调与Prompt工程;
熟悉Agent框架(LangChain/LlamaIndex/AutoGen/Dify),具备工具调用与工作流编排能力;
熟悉Python后端开发(FastAPI/Flask),了解语音交互流程(ASR→LLM→TTS)即可。
RTC / 实时音视频方向
精通WebRTC协议栈、ICE/STUN/TURN、DTLS/SRTP、RTP/RTCP;
熟悉Opus/G.711/G.729/AAC等音频编解码,了解H.264/VP8/VP9;
精通SIP、WebSocket、HTTP/2 信令协议,有FreeSWITCH/Kamailio/Asterisk二次开发经验;
精通C/C++/Go/Java,具备高并发服务端开发与弱网优化实战经验。
通用要求
编程能力扎实,精通Python,熟悉C++,具备良好的工程化与代码质量意识;
具备大规模模型服务化部署经验(Triton/TensorRT-LLM/ONNX Runtime/vLLM等);
有顶会论文(Interspeech/ICASSP/NeurIPS等)或开源项目贡献者优先;
具备良好的沟通协作能力与自驱力,能够快速响应业务需求。
加分项(任选匹配) 有大规模商用语音系统(ASR日调用千万级 / TTS百万级)研发优化经验;
有流式ASR(RNN-T/Monotonic Attention)或端侧语音(KWS、离线识别)项目经验;
有音频大模型、多模态理解(音频+视频+文本)或SVS/音乐生成经验;
有说话人分离、声纹识别、语音情感识别落地案例;
有音频水印、深度伪造检测、语音反欺诈安全经验;
熟悉MLOps全链路(训练、评估、部署、监控);
有智能客服、语音助手、对话机器人或实时交互系统产品经验;
熟悉RAG、知识图谱、多Agent协作等技术。



