阿里巴巴
高德-TTS 语音算法工程师/专家-北京
高德-TTS 语音算法工程师/专家-北京
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公NLP工程
NLP工程
Pytorch
Tts
Voice Agent
多模态
数据处理
语音大模型
值不值得投
73综合评分
综合评分 73
前沿语音大模型算法岗，技术成长天花板高，但工作生活平衡信息不明。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
50K
与NLP工程中位数基本持平
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 2740 个在招 · 其中NLP工程 22 个
市场机会
选择适中
北京 · NLP工程 · 50 个在招
职位详情
关于这个职位
该职位负责高德地图全栈语音技术中的核心算法研发，特别是TTS（语音合成）及语音大模型相关方向
你需要围绕Voice Agent与Speech Language Model开展前沿研究，致力于提升语音交互的“活人感”、实现多模态对话、探索端到端交互方案，并将技术落地到导航、AI助手等多个业务场景中，直接赋能下一代AI产品创新
最低要求
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
工作职责
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
优先资格
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
AI 洞察
优缺点分析
优点
- 技术前沿性高：直接参与自研TTS基座大模型、语音大模型等前沿方向的研究与落地，能接触行业顶尖技术
- 业务落地场景明确：技术成果直接赋能高德亿级用户产品的核心语音交互体验，成就感强
- 平台资源丰富：背靠阿里巴巴集团，在数据、算力、业务场景和团队协作方面有强大支撑
- 对语音交互技术充满热情，具备扎实的算法研究功底和强大的工程能力，渴望在顶级产品场景中推动前沿AI技术变革的研究员或高级工程师
缺点 / 挑战
- 技术挑战巨大：需要同时在算法研究、工程实现和复杂业务场景落地之间取得平衡，对综合能力要求极高
- 高标准高要求：岗位定义为“专家”方向，意味着需要对语音交互的终极形态（如通过图灵测试）有深度思考并推动实现，压力较大
- 技术迭代迅速：需要持续跟进并产出在国际顶级会议和期刊上的成果，学习与产出压力并存
角色解读
- 技术专家路线：持续深耕语音AI领域，成为TTS、语音交互或多模态大模型方向的技术权威，主导核心技术创新
- 架构师/负责人路线：凭借技术深度与广度，负责更大规模的技术体系设计或带领团队，推动技术战略落地
- 跨领域发展：积累的语音AI、大模型与工程化经验可拓展至通用AI、具身智能等更广泛的AI交互领域
- 研究和开发用于提升语音交互自然度（“活人感”）的TTS及语音大模型技术
- 设计并实现多模态对话大模型与全双工交互pipeline，将其落地到高德导航、AI助手等核心产品场景
- 持续跟进语音交互领域的前沿技术，并进行算法优化、模型创新和学术成果输出
- 负责海量语音数据的分析、评估与质量提升，支撑模型迭代
- 精深的语音处理与大模型算法知识，特别是在TTS、Speech Language Model、Voice Agent领域
- 扎实的编程能力，熟练使用Python、C/C++，精通PyTorch等深度学习框架及Transformer架构
- 优秀的工程实现能力，能够将研究转化为可落地的系统，处理大规模数据
- 强大的学习能力与创新精神，持续探索前沿技术并解决复杂问题
申请策略
- 深入研究高德地图的语音交互产品（如导航语音、AI领航员），思考其现有技术挑战与改进方向，在面试中展现你的业务洞察
- 准备一个能体现你从0到1或攻坚克难的技术项目，清晰阐述问题、方案、技术细节与成果
- 重点突出在语音大模型、TTS、Voice Agent或相关多模态大模型的研究或项目经历，强调技术深度与创新点
- 展示扎实的编程基础与工程能力，列举所精通的工具（PyTorch等）及解决过的技术难题
- 附上在顶级会议/期刊发表的论文或在高水平竞赛中的获奖证明，这是重要的加分项
- 深入学习最新的语音大模型（如SpeechGPT、Voicebox等）、全双工交互、多模态大模型相关论文与开源项目
- 加强在PyTorch/DeepSpeed等框架下训练和部署大规模模型的实践经验，以及C++高性能推理能力
面试指南
- 回答技术问题时，采用“问题背景 - 技术方案 - 实验结果 - 反思总结”的结构，突出你的思考深度和解决能力
- 对于开放性问题（如“如何设计”），先明确核心目标与约束，再分模块（感知、理解、决策、生成）阐述技术选型和协作方式
- 结合高德的业务场景（导航、助手）来具体化你的回答，展现你对产品与技术结合的理解
- 请介绍一个你在语音大模型或Voice Agent领域最深入的研究项目，遇到了哪些技术难点，你是如何解决的？
- 如何理解‘活人感’语音交互？从技术角度，你觉得实现它需要突破哪些关键环节？
- 在多模态对话大模型的端到端方案中，如何设计一个高效且低延迟的全双工交互Pipeline？
- 如果你负责提升高德导航语音的‘自然度’，你会从哪些技术维度入手？请描述你的思路
- 请谈谈对Speech Language Model后训练技术（如RLHF、DPO）在语音领域应用的看法
职位点评
薪资福利75
成长发展90
工作生活50
使命价值70
薪资福利
75中等
作为大型科技公司的核心技术岗位，薪酬福利体系应相对完善，能提供有市场竞争力的薪酬。JD未明确提及具体福利，但通常此类岗位会享有标准的五险一金和年终奖。
薪资信号市场水准 (3.5–6.5万/月)
成长发展
90较高
该职位专注于语音交互的前沿研究与大模型开发，技术栈先进，成长路径清晰（算法专家或架构师），且鼓励论文发表与专利申请，为技术深度积累和行业影响力提升提供了极佳平台。
技术前沿前沿/新兴技术
技术栈TTS、Speech Language Model、Voice Agent、多模态大模型、PyTorch、Transformer
业务类型profit_center
工作生活
50较低
JD未明确提及工作时间、办公模式（如远程、弹性）等信息，因此关于工作与生活平衡的情况无法判断。岗位性质（前沿研究+落地）可能隐含较高的工作投入度。
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
70中等
岗位处于AI与语音交互的前沿赛道，通过技术创新直接提升亿万用户产品的核心体验（导航、助手），具有明确的产品价值和技术意义。但JD未直接阐述更宏观的社会使命或公司愿景。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs