岗位职责
团队介绍：
高德语音技术部，是负责高德全栈语音技术的综合性团队。团队核心技术能力包括：自研TTS基座大模型、端侧模型、多语种、RTC流式语音、语音内容生成、语音识别、多模态模型、模型服务与推理。业务支撑面向高德全部核心场景，包括语音导航、AI领航员、IP语音定制、国际化、AI语音助手、智能外呼、内容生成等。
团队定位是通过前沿语音技术的研究和落地，赋能下一代AI产品创新。
具体职责：
围绕voice agent/speech language model的研究工作，包括但不限于如下事项：
- 为满足AGI时代"活人感"语音交互的需求，致力于完成包括但不限于以下目标：复杂声学+时空信息的声学理解、通过图灵测试水平的交互节奏 / 交流内容 / 语音输出，并完成所需的技术创新；
- 多模态对话大模型的研发、语音对话pipeline方案以及端到端方案的交互能力搭建、全双工交互能力搭建，落地到高德多项agent应用场景；
- 跟进最领先的语音理解/语音生成/语音交互技术，包括但不限于提出新的技术框架、改进现有的算法、持续提升相关技术及业务指标，鼓励撰写论文及申请专利；
- 探索前沿方向，如更加高效且合理的模型架构、跨模态（文字/语音/视觉）混合训练的最佳实践、基于speech language model的后训练技术、COT Reasoning in streaming full-duplex、proactive interaction，等等。结合全链路各个agent，持续提升voice agent的交互体验；
- 海量的语音数据的处理构建：定性分析、定量评估、参与设计自动评估框架，研发 scalable 的改进方案，持续提升数据质量。
任职要求
- 研究生及以上学历或优秀本科生，计算机、人工智能、软件、数学等相关专业；
- 较强的代码能力，在文本大模型或多模态大模型某一领域（语音大模型、Voice Agent、生成模型等）有过深入的研究经历或者应用经验；
- 熟练掌握C/C++，Python，Shell编程语言，对数据结构和算法设计有较好的理解；
- 精通 Pytorch / megatron等深度学习框架，熟悉 Transformer 架构以及大语言模型基础知识；
加分项：
- 有丰富的对话大模型(包括文本对话或者语音对话)的研发、应用经验；
- 具有较强的工程能力，有开发音视频实时交互系统的经验；
- 在国际顶级会议或期刊（ICASSP，Interspeech，ICML，NIPS，TASLP等）上发表论文者优先；
- 编程能力强，在ACM/ICPC、NOI/IOI、TopCoder、Kaggle等比赛获奖者优先；
- 良好的沟通能力、团队合作精神、自我驱动能力，对技术充满热情，主动解决问题者优先；
- 有数据感知、对数据有充分的认识和研究兴趣者，优先；
岗位标签
NEW