Microsoft logo
微软
Senior Software Engineer - Voice Agent

Senior Software Engineer - Voice Agent

发布于 2 小时前

普通员工/个人贡献者

AI 估算 · 4.5–7.5万 · AI 参考估算
中级经验
本科
全职员工仅现场办公语音交互
语音交互
Asr
Diffusion Models
Generative Ai
JavaScript
Nlp
Pytorch
Tts

值不值得投

78综合评分

综合评分 78

前沿生成式语音与数字人研发岗,技术发展性强、使命清晰,办公模式未明确。

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

参考估算薪资

根据职位描述推断,供对比参考

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 100 个在招

市场机会

选择不多

北京 · 语音交互 · 3 个在招

职位详情

关于这个职位

该职位面向 Azure Voice AI 团队,负责生成式语音与数字人 AI 模型的研发,包括 ASR、TTS、Talking Avatar 等方向

你将与 AI、机器学习和软件工程专家协作,把前沿模型集成到产品中,并持续优化性能、扩展性和准确率

最低要求

任职要求:

计算机科学或相关技术领域的学士学位,并且具备 4 年以上技术工程经验,能够使用包括但不限于 C、C++、C#、Java、JavaScript 或 Python 等语言进行编码
具备机器学习框架和库的使用经验(例如 PyTorch)

工作职责

职责:

推动具备 SOTA ASR 和 TTS 的 omni model 开发
开发用于零样本和微调场景的 SOTA talking avatar 模型
熟悉最新的 GenAI 建模技术,如 diffusion 和语言建模
与跨职能团队合作,将 AI 模型集成到各种应用和平台中
开展研究并持续关注 AI 和机器学习领域的最新进展,以不断改进我们的模型
优化和微调 AI 模型,以提升性能、可扩展性和准确性
参与代码评审,提供建设性反馈,并为我们开发流程的整体改进做出贡献

优先资格

优先条件:

了解自然语言处理(NLP)和计算机视觉技术
熟悉生成模型,例如 GANs、VAEs、diffusion、flow matching 或自回归模型
优秀的解决问题能力和对创新的热情
较强的沟通能力和团队协作能力

AI 洞察

优缺点分析

优点

  • 岗位处于生成式语音和虚拟化身 AI 前沿方向,技术积累价值高
  • 团队聚焦 Azure Voice AI,能接触 ASR、TTS、GenAI、多模态等核心能力建设
  • 与 AI、机器学习和软件工程专家协作,有利于提升研究到产品落地的综合能力
  • 工作内容覆盖模型研发、优化、集成和代码质量,技术栈较完整
  • 需要同时理解前沿模型和工程实现,技术跨度较大
  • 适合具备四年以上工程经验、熟悉 PyTorch 和生成式 AI,并希望在语音交互、数字人或多模态模型方向长期深耕的工程师

缺点 / 挑战

  • SOTA 模型研发对研究能力、实验效率和问题定位能力要求较高
  • 跨团队协作和平台集成可能带来需求变化、交付节奏和多方沟通压力

角色解读

  • 可向生成式语音、数字人、多模态 AI 等方向深入,成为语音交互或多模态模型专家
  • 可逐步承担模型架构设计、平台集成和技术方案决策,成长为高级工程师或技术负责人
  • 未来也可转向 AI 产品化、研究科学家或跨团队技术管理方向
  • 负责 SOTA 语音识别与语音合成相关模型研发,推动 omni model 在语音交互场景中的能力升级
  • 开发面向 zero-shot 和 fine-tune 场景的 talking avatar 模型,提升数字人语音、表情和交互表现
  • 跟踪生成式 AI、diffusion、language modelling 等前沿方法,并将研究成果转化为可落地的模型能力
  • 与跨职能团队协作,将 AI 模型集成到应用和平台中,同时通过代码评审和模型优化提升工程质量
  • 需要具备扎实的软件工程能力,熟练使用 C、C++、C#、Java、JavaScript 或 Python 等语言进行工程开发
  • 需要熟悉 PyTorch 等机器学习框架,并具备模型训练、微调、优化和部署相关经验
  • 需要理解 ASR、TTS、NLP、计算机视觉和生成模型等技术,尤其是 diffusion、flow matching、autoregressive models 等方法
  • 需要具备跨团队协作、问题分析和代码评审能力,能在研究与工程落地之间高效推进

申请策略

  • 申请时建议明确表达对 Azure Voice AI 使命和生成式语音产品的兴趣,并准备相关项目案例
  • 关注岗位对 zero-shot、fine-tune、talking avatar 和 SOTA 模型的描述,面试前准备对应的技术细节与复盘
  • 突出与 ASR、TTS、语音合成、数字人或多模态生成模型相关的项目经历,说明模型效果指标和业务价值
  • 强调使用 PyTorch 进行模型训练、微调、推理优化和部署的实战经验,最好包含性能或准确率提升结果
  • 展示扎实的软件工程能力,包括 C++/Python/Java 等语言、代码评审、工程协作和平台集成经验
  • 补充对 diffusion、flow matching、autoregressive models、NLP 或 computer vision 的理解与项目实践
  • 提前准备生成式模型基础知识,重点梳理 diffusion、autoregressive、flow matching 等方法的原理和适用场景
  • 加强语音方向实践能力,熟悉 ASR、TTS、声码器、语音评测指标和端到端语音建模思路

面试指南

  • 项目类问题采用“背景-目标-方案-结果-复盘”结构,重点说明个人贡献、技术取舍和量化结果
  • 技术类问题先讲问题定义和约束,再比较候选方案,最后说明为什么选择某种模型、指标或优化策略
  • 协作类问题用具体案例说明沟通对象、冲突点、推进方式和最终交付,突出工程落地能力
  • 请介绍一个你主导或深度参与的语音、NLP、CV 或生成模型项目,你负责了哪些关键模块?
  • 你如何理解 ASR 与 TTS 的 SOTA 模型发展?有哪些主流架构和关键评测指标?
  • 面对 zero-shot talking avatar 场景,你会如何设计模型方案并评估效果?
  • 你在 PyTorch 中做过哪些模型训练、微调或推理优化?如何提升性能和扩展性?
  • 请举例说明你如何与跨职能团队协作,将 AI 模型集成到实际应用或平台中

职位点评

薪资福利78
成长发展92
工作生活55
使命价值88

薪资福利

78中等

JD 未披露薪资和福利信息,因此补偿性动机只能基于岗位技术难度和城市市场做有限判断。该岗位要求四年以上工程经验与前沿 AI 建模能力,通常具备较好的薪资想象空间。

薪资信号未披露(AI估算:4.5千–7.5万/月)

成长发展

92较高

岗位聚焦生成式语音、SOTA ASR/TTS、talking avatar、diffusion 和 language modelling,技术前沿性非常强。职责覆盖研究、模型优化、平台集成和代码评审,成长路径较丰富,但 JD 未明确提及晋升或培训机制。

技术前沿前沿/新兴技术
技术栈Generative AI、ASR、TTS、Talking Avatar、Diffusion、Language Modelling、PyTorch、NLP、Computer Vision、GANs、VAEs、Flow Matching、Autoregressive Models
业务类型profit_center

工作生活

55较低

JD 未明确说明远程、混合或弹性办公安排,也未提及双休、加班或 WLB 相关信息。地点为中国北京,具体办公模式和通勤便利度需要投递或面试时进一步确认。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

88较高

JD 明确提出让全球每个人和组织拥有类人、多样且令人愉悦的 AI 语音和虚拟化身,使命导向清晰。岗位处于生成式 AI 与语音交互前沿,社会应用价值和行业前景较强。

行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号empower every person and every organization on the planet、human like, diverse and delightful AI voices and avatars、revolutionize user experiences
创新程度开拓性创新(行业首创)
Watch Jobs