算法工程师-语音识别（深圳）(J20228)

优缺点分析

角色解读

• 可向语音算法专家方向发展，深耕小语种及端侧语音识别技术，成为领域技术权威
• 积累足够经验后，可转型为AI技术负责人或算法团队Leader，带领团队攻克技术难题
• 研发小语种和小样本场景下的语音识别算法，涵盖声学模型、语言模型及解码器
• 进行模型压缩与离线解码器优化，提升端侧或特定场景下的识别性能与交互体验
• 跟踪国内外语音识别前沿技术，将最新研究成果转化为实际产品功能，保持技术领先
• 熟练掌握Wenet、Whisper、Kaldi等主流语音识别框架，并具备实际项目落地经验
• 精通TensorFlow或PyTorch等深度学习工具，具备扎实的算法实现能力
• 深入理解语音信号处理，熟悉前端信号处理性能评价方法，能与前端团队联合调优

申请策略

• 了解传音在非洲及新兴市场的业务布局，思考其语音交互在特定场景下的痛点与解决方案
• 突出在Wenet/Whisper/Kaldi等框架上的实际项目落地经验及取得的业务指标提升
• 强调模型压缩、端侧部署或前端信号处理联合调优的相关经验与成果
• 若有ICASSP、INTERSPEECH等顶会论文发表经历，需在简历中重点展示
• 补充小样本学习、数据增强及低资源语言模型微调的相关技术知识
• 熟悉模型量化、剪枝等轻量化技术，提升端侧部署与推理加速能力

面试指南

• STAR法则：针对项目经验，从情境、任务、行动、结果四个维度清晰阐述，重点突出数据指标的提升
• 技术深度+业务落地：回答技术问题时，不仅讲原理，还要结合具体业务场景说明权衡与取舍
• 在小语种或小样本数据情况下，你通常采用哪些数据增强或模型优化策略？
• 请详细介绍一个你主导落地的语音识别项目，遇到了哪些难点，如何解决的？
• 语音识别模型压缩有哪些常用方法？如何在保证识别率的前提下降低模型体积和推理延迟？
• 前端信号处理（如降噪、回声消除）对语音识别有什么影响？如何进行联合调优？
• 复习语音识别经典算法（如CTC、Attention、Transducer）及主流框架（Whisper、Wenet）的底层原理
• 准备1-2个具有代表性的项目案例，特别是涉及小样本、模型压缩或端侧部署的实战经验