语音大模型算法工程师(J43998)

优缺点分析

角色解读

• 纵向可深耕语音大模型与多模态技术，成为语音 AI 领域的算法专家
• 横向可拓展至多模态大模型、具身智能等前沿方向，或转型为 AI 算法团队技术负责人
• 负责语音大模型及语音智能体的核心算法研发，构建端到端的语音交互能力
• 优化低延迟、流式语音交互链路，提升语音对话的实时性、自然度与稳定性
• 探索 speech-to-speech 等前沿技术方案，优化 VAD、ASR、TTS 等关键模块并建立评测体系
• 扎实的深度学习基础，熟练掌握 PyTorch 框架及 Transformer、SFT、LoRA 等大模型训练微调技术
• 熟悉语音交互全链路（ASR/TTS/VAD等），具备低延迟或流式处理经验
• 掌握强化学习与偏好优化方法（如 RLHF、DPO 等），能独立进行模型训练与效果优化

申请策略

• 投递前可了解海信在智能语音、AI 家电或车载语音等具体业务场景的布局，在面试中展现对业务落地的思考
• 重点突出在 ASR、TTS、语音大模型或多模态大模型方向的具体项目经验及落地成果
• 展示对大模型微调（SFT/LoRA）及偏好优化（RLHF/DPO）的深入理解与实际操作经验
• 强调在低延迟、流式处理或实时语音对话链路优化方面的工程实践经验
• 深入学习 speech-to-speech 和 audio-to-audio 等端到端语音模型的前沿论文与开源实现
• 提升 C++ 或高性能计算能力，以更好地应对低延迟流式交互的工程挑战

面试指南

• STAR 法则：针对项目经验，按照情境、任务、行动、结果的逻辑清晰阐述，突出个人贡献与量化收益
• 问题拆解法：针对系统优化或 badcase 分析，从数据、模型、工程链路三个维度进行拆解和排查
• 请详细介绍你参与过的语音大模型或端到端语音交互项目，遇到了哪些技术难点，是如何解决的？
• 在优化低延迟流式语音交互链路时，你是如何平衡模型生成质量与响应速度的？
• 请解释 RLHF 和 DPO 的原理及区别，在语音大模型中如何应用偏好优化来提升情感共情能力？
• 如果线上出现语音打断成功率低或无响应率高的问题，你的排查思路和优化方案是什么？
• 复习大模型微调、强化学习（PPO/DPO）的核心原理，并准备 1-2 个自己主导的模型优化案例
• 了解海信近期的 AI 产品发布（如智能电视、AI 空调等），思考语音大模型如何赋能这些硬件产品