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 2 小时前普通员工/个人贡献者
全职员工仅现场办公语音交互
语音交互
Diffusion Models
Flow Matching
Nlp
Pytorch
Speech Llm
信号处理
多模态大模型
语音合成 (Tts)
值不值得投
81综合评分
综合评分 81
顶尖大厂核心算法岗，前沿技术驱动，高成长高挑战，WLB中等
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 910 个在招
职位详情
关于这个职位
负责B站语音大模型（Speech LLM）及语音生成技术的研发与迭代，聚焦高保真TTS、零样本音色克隆等前沿方向
将研究成果工程化落地于视频出海、虚拟主播等核心场景，解决业务痛点并推动技术边界突破
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
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
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
AI 洞察
优缺点分析
优点
- 接触业界最前沿的语音大模型技术，技术栈极具竞争力
- 依托B站海量用户数据，应用场景丰富，技术落地价值高
- 鼓励学术发表，有利于个人学术声誉积累
- 技术迭代极快，需要保持高强度的学习和研究状态
- 竞争激烈，对候选人综合素质要求极高
- 适合拥有深厚AI/语音背景、热爱科研且具备强大工程落地能力的硕士及以上毕业生
缺点 / 挑战
- 业务落地压力大，需平衡学术创新与工程稳定性
角色解读
- 成为语音/AI领域的资深专家，主导公司级语音技术战略
- 向首席科学家或技术总监方向发展，引领公司在AIGC语音赛道的创新
- 研发语音大模型（Speech LLM）及语音生成技术，包括高保真TTS和音色克隆
- 跟踪并复现学术界最新成果（如扩散模型、流匹配），将其转化为工程落地能力
- 解决B站业务中的具体痛点，如虚拟主播声音生成、视频出海多语言配音等
- 扎实的深度学习理论，精通Transformer、Diffusion、Flow Matching等生成式模型原理
- 丰富的语音合成领域实战经验，熟悉IndexTTS、CosyVoice等主流开源模型
- 极强的科研与工程结合能力，有顶会论文发表或高质量开源项目贡献优先
申请策略
- 准备一份详细的技术作品集或论文列表
- 了解B站在语音/AI领域的最新布局和产品动态
- 突出顶会论文发表记录及研究方向与语音生成的相关性
- 详细列举参与的语音合成项目，特别是模型训练、微调及部署的具体细节
- 展示GitHub高星项目或竞赛获奖经历，证明编码能力和工程素养
- 深入研究最新的语音大模型架构（如VALL-E, CosyVoice等）
- 提升大规模模型训练与推理优化的实战技能
- 加强多模态学习相关知识储备
面试指南
- STAR法则：情境-任务-行动-结果，重点突出个人在团队中的具体贡献和技术难点攻克过程
- 深度解析：不仅回答‘怎么做’，更要解释‘为什么这么做’，展现理论深度
- 工程思维：结合业务场景，说明技术方案的实际效果和权衡
- 请详细介绍你发表的关于语音合成的顶会论文，你的核心贡献是什么？
- 对比分析IndexTTS和CosyVoice的架构差异及优缺点
- 如何在资源受限的情况下进行大模型的推理优化？
- 谈谈你对Diffusion Model在语音生成中应用的理解
- 复习深度学习基础理论和生成式模型原理
职位点评
薪资福利85
成长发展95
工作生活60
使命价值75
薪资福利
85较高
作为已上市大型互联网公司，提供具有市场竞争力的薪酬和完善的福利体系，满足补偿性动机。
薪资信号偏高 (4.0千–7.0万/月)
成长发展
95较高
职位聚焦前沿语音大模型技术，鼓励顶会发表，提供极高的技术成长空间。
技术前沿前沿/新兴技术
技术栈Speech LLM、TTS、Transformer、Diffusion、Flow Matching、IndexTTS、CosyVoice
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
互联网大厂通常工作强度较大，但核心研发岗位可能有一定的弹性，整体WLB一般。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
75中等
通过技术创新提升用户体验，助力内容创作和视频出海，具有一定的社会价值和行业影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号打造行业领先的语音创作工具
创新程度开拓性创新（行业首创）
Watch Jobs