语音/歌声生成实习生

优缺点分析

角色解读

• 深入语音生成前沿技术，积累研究经验，未来可转向语音算法工程师或研究科学家
• 接触Omni模型等新方向，具备多模态能力后向AI研究员发展
• 在米哈游项目落地经验可助攻大厂或继续深造读博
• 研究并应用语音生成算法，包括TTS、歌声合成等，提升生成质量与多样性
• 探索Omni模型，将语音生成能力迁移至多模态模型，实现理解驱动的语音生成
• 参与数据建设，制定标注规范并验收数据，保障训练数据质量
• 扎实的深度学习基础，熟练使用Python及PyTorch或Tensorflow
• 熟悉至少一类语音生成模型、Omni模型或声码器，有实际研发经验
• 良好的文献阅读和复现能力，有顶会论文经历更佳

申请策略

• 申请时附上个人GitHub或项目作品集，展示实际动手能力
• 关注米哈游技术博客或分享，了解公司技术栈和文化
• 突出语音生成或相关深度学习项目的经历，如TTS、歌声合成、声码器项目
• 重点列出与岗位相关的技能：Python、PyTorch、语音模型（如CosyVoice等）
• 如有论文或开源贡献，务必展示，体现研究能力
• 提前阅读并复现近期语音生成/Omni模型论文（如VibeVoice、StepAudio）
• 熟悉常用声码器（HiFi-GAN）并尝试调优，掌握推理加速技术

面试指南

• 先概述项目背景和目标，然后分模块讲解方法，最后总结结果和你的贡献
• 对于比较性问题，从原理、性能、应用场景三方面对比
• 评估类问题，列举常用指标（MOS、PESQ等），并说明其适用场景
• 请详细介绍你做过的一个语音生成项目，包括模型架构、数据、结果
• TTS中如何解决音色和韵律的多样性问题？
• Omni模型与单独语音模型相比有何优劣势？
• 如何评估语音生成质量？常用的客观和主观指标有哪些？
• 如果让你设计一个新声码器，你会考虑哪些方面？