哔哩哔哩
语音合成大模型算法工程师
语音合成大模型算法工程师
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Cosyvoice
Diffusion
Flow Matching
Indextts
Speech Llm
Tts
大模型
深度学习
语音合成
值不值得投
82综合评分
综合评分 82
头部大厂核心AI算法岗，聚焦语音大模型前沿技术，成长空间大，但研发强度较高。
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
5.5万
比机器学习工程中位数高
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 580 个在招 · 其中机器学习工程 32 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 370 个在招
职位详情
关于这个职位
该职位主要负责语音大模型及语音生成技术的研发与迭代，涵盖高保真语音合成、零样本音色克隆等前沿方向
你需要将研究成果工程化落地于B站视频出海、内容创作等核心场景，并在顶级会议发表高水平论文
最低要求
计算机科学、人工智能、信号处理等相关专业硕士及以上学历，具备扎实的机器学习、深度学习理论基础
深入理解多模态与生成式模型原理，熟悉大模型底层技术（如 Transformer、Diffusion、Flow Matching、自回归建模等）
在语音生成领域有前沿技术研究及论文发表经验，敢于挑战技术边界
对主流语音合成架构有深入理解，熟悉 IndexTTS、CosyVoice等开源语音合成模型，具备模型训练、微调、推理优化及工程化部署的实战经验
工作职责
负责语音大模型（Speech LLM）及语音生成技术的研发与迭代，聚焦高保真语音合成（TTS）、零样本音色克隆、情感/风格可控语音生成等方向，持续挑战技术边界
紧密跟踪语音合成领域最新进展（如基于 LLM 的端到端语音生成、扩散/流匹配语音模型等），推动研究成果向业务转化，并在顶级会议/期刊发表高水平论文
将语音生成技术工程化落地于 B站视频出海、内容创作、虚拟主播等核心场景，解决音色相似度、情感表现力、多语言支持等实际业务痛点，打造行业领先的语音创作工具
优先资格
有 ACM/ICPC、Kaggle 等编程竞赛获奖经历，或 GitHub 开源项目具有较大影响力者优先
InterSpeech、ICASSP、NeurIPS、ICML、ACL 等语音或 AI 顶会/顶刊发表过相关论文者优先
熟练使用AI agent能力者优先
AI 洞察
优缺点分析
优点
- 处于AI语音生成技术的最前沿，能接触到LLM、Diffusion等最新技术，技术视野开阔
- 业务场景丰富且核心（出海、虚拟主播等），技术落地价值高，容易产出有影响力的业务成果
- 平台资源充足，鼓励并支持发表顶会论文，有利于积累个人在学术与工业界的行业影响力
- 技术迭代极快，需要持续跟踪最新论文和开源模型，保持高强度的学习与研究状态
- 工程化落地要求高，不仅要算法指标好，还要解决音色相似度、情感表现力、多语言支持等实际业务痛点
- 适合具有扎实深度学习基础、有语音合成或大模型研究经验，且渴望在AI前沿领域深耕并发表高水平论文的算法人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 从算法工程师成长为语音AI领域的技术专家或首席科学家，在顶级会议发表成果以提升行业影响力
- 带领技术团队攻克核心业务场景的技术难题，推动AIGC技术在内容生态中的深度应用与商业化落地
- 研发和迭代语音大模型及语音生成技术，包括高保真TTS、零样本音色克隆、情感可控生成等前沿方向
- 跟踪语音合成领域最新进展，推动研究成果向业务转化，并在顶级会议或期刊发表高水平论文
- 将语音生成技术工程化落地于视频出海、内容创作、虚拟主播等核心业务场景，解决实际痛点
- 扎实的机器学习与深度学习理论基础，精通Transformer、Diffusion、Flow Matching等大模型底层技术
- 深入理解主流语音合成架构，熟悉IndexTTS、CosyVoice等开源模型，具备模型训练、微调及工程化部署能力
- 具备优秀的编程能力与算法基础，有解决复杂工程问题和优化模型推理性能的经验
申请策略
- 了解B站在虚拟主播、视频出海等业务中的语音技术需求，准备针对性的技术落地方案与思考
- 突出在语音生成、TTS或大模型相关的项目经验，特别是模型训练、微调和推理部署的实战经历
- 强调在顶会（如InterSpeech、NeurIPS等）发表的论文，或知名开源项目（如CosyVoice相关）的贡献
- 展示解决复杂工程问题的能力，如推理优化、多语言支持或情感可控生成的具体落地案例
- 深入学习Flow Matching、Diffusion等最新生成模型理论，掌握其在语音领域的应用
- 熟悉IndexTTS、CosyVoice等开源语音模型的源码，尝试进行微调与工程化部署优化
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出技术选型的思考过程、实验对比数据以及最终的业务收益或论文发表成果
- 请详细介绍你参与过的语音合成或大模型项目，遇到了哪些技术难点及如何解决？
- 如何优化TTS模型的推理速度并保证高保真音质？
- 对比IndexTTS和CosyVoice，它们在架构和效果上有什么异同？
- 在零样本音色克隆中，如何解决音色相似度与情感表现力的平衡问题？
- 复习语音合成领域的经典与最新论文（如VITS、CosyVoice等），掌握其核心原理与优缺点
- 准备自己过往项目的详细技术细节，包括模型结构、损失函数设计、数据预处理及部署优化方案
职位点评
薪资福利85
成长发展95
工作生活60
使命价值80
薪资福利
85较高
作为已上市超大型企业的核心AI算法岗，薪资福利具备较强市场竞争力，但具体薪资未披露。
薪资信号未披露（AI估算：4千–7万/月）
成长发展
95较高
岗位聚焦语音大模型前沿技术，鼓励发表顶会论文，技术成长与行业影响力发展空间极大。
技术前沿前沿/新兴技术
技术栈Speech LLM、TTS、Transformer、Diffusion、Flow Matching、IndexTTS、CosyVoice、AI agent
成长机会在顶级会议/期刊发表高水平论文、持续挑战技术边界
业务类型profit_center
工作生活
60中等
JD未明确提及工作模式与加班情况，但大模型算法研发通常伴随较高的工作强度与压力。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
推动语音生成技术落地于内容创作和虚拟主播等场景，具有较强的创新性和行业推动意义。
行业发展高速增长赛道
社会影响中性/一般
使命信号打造行业领先的语音创作工具
创新程度积极采用新技术
Watch Jobs