安克创新
音频算法工程师（训练优化方向）
音频算法工程师（训练优化方向）
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AI算法
AI算法
Pytorch
信号处理
模型量化
软硬协同
音频算法
值不值得投
78综合评分
综合评分 78
高薪稳定大厂、前沿软硬协同技术、高成长潜力，但需适应高强度研发节奏
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
3.3万
比AI算法中位数高
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 480 个在招 · 其中AI算法 4 个
市场机会
选择不多
北京 · AI算法 · 10 个在招
职位详情
关于这个职位
负责音频算法（如降噪、唤醒识别）的研发、训练优化及在异构平台上的部署
需具备扎实的信号处理与深度学习基础，能够独立完成从数据构建、模型训练到端侧性能优化的全流程工作，并参与算法驱动的芯片设计协同
最低要求
学历专业：硕士及以上学历，电子信息、计算机、通信工程、声学、自动化、信号与信息处理等相关专业
毕业三年以内
数学和信号处理基础：扎实的线性代数、概率统计与最优化基础，熟悉 FFT / STFT变换、数字滤波器设计、采样与重建、自适应滤波等数字信号处理核心知识
深度学习基础：熟悉 CNN / RNN / Transformer 等主流网络结构原理，理解模型训练的常见失效模式与调优方法
编程能力：熟练使用 Python 与 PyTorch，能独立编写完整、可复现的训练代码
具备 C/C++ 阅读与基础开发能力
工程素养：熟悉 Linux 开发环境与 Git 协作流程，代码习惯良好
文献能力：具备英文文献阅读能力，能直接阅读 arXiv 与会议论文并判断结论可信度
软硬件协同意识：理解算法指标（精度、时延、内存）与芯片指标（算力、带宽、功耗）之间的换算关系，能与芯片/硬件团队在同一语境下沟通
综合素质：沟通表达清晰，能把技术问题讲清楚给非算法背景的同事
学习能力强，能快速进入新方向
工作职责
负责音频算法的研发、优化和部署，包括不限于单/多麦降噪增强、编解码、唤醒识别、说话人日志等方向
负责音频模型的训练与优化，包括数据构建与清洗、训练 pipeline 搭建、损失函数设计、模型剪枝 / 蒸馏 / 量化等
负责算法在 DSP / NPU / GPU / CPU 等异构平台上的部署与性能优化，保证实时性（RTF）与内存预算达标
参与算法驱动的芯片设计：从算法需求出发输出芯片规格建议（算子支持范围、位宽与精度、片上存储与带宽、算力与能效预算、噪声与鲁棒性约束），与芯片/硬件团队协同完成架构评估、算子定义与规格评审，推动算法与芯片的软硬协同设计
跟踪 ICASSP、Interspeech 等会议的前沿方法，评估并复现有价值的技术方案，推动算法从预研到量产落地
优先资格
量化感知训练：有模型量化感知训练（QAT）实操经验，理解 PTQ 与 QAT 的差异、量化误差来源及混合精度策略
异构部署经验：有 DSP / NPU / GPU 等平台的实际部署经验，熟悉 ONNX、TensorRT、SNPE、QNN、Hexagon DSP 或主流端侧芯片工具链之一
端侧优化经验：熟悉算子融合、内存布局优化、定点化、模型剪枝与蒸馏，有"实验室指标到端侧指标一致"的调试经验
论文竞赛经历：在 ICASSP、Interspeech、ICML、NeurIPS、AAAI、TASLP 等会议或期刊发表过论文
参加过 DCASE、ICASSP SPGC、Interspeech 挑战赛、Kaggle、天池等音频/语音相关竞赛并取得名次
开源贡献：有高质量开源项目、技术博客或其他可验证的技术输出
AI 工具实践：有使用 LLM / Agent 工具辅助研发、提升实验效率的实践经验
绩效记录：工作中多次获得持续高绩效评价者优先录用
AI 洞察
优缺点分析
优点
- 处于AIoT风口，软硬协同设计具有高技术壁垒和稀缺性
- 上市公司稳定性高，技术栈前沿
- 对数学基础和工程落地能力要求极高，需兼顾算法精度与端侧资源限制，工作强度较大
- 适合基础扎实、热爱技术钻研、具备较强工程落地能力的音视频/AI算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向高级音频算法专家、AI芯片架构师或技术管理方向发展，深耕软硬协同领域
- 专注于音频算法（如降噪、唤醒）的全链路研发，从模型训练优化到端侧部署
- 扎实的数学与信号处理基础，精通Python/PyTorch，具备C++及异构平台（DSP/NPU）部署能力
申请策略
- 准备展示对最新音频顶会论文的理解，体现快速学习与前沿技术追踪能力
- 突出音频算法项目经验，强调模型在端侧设备上的部署优化成果（如RTF、内存占用降低）
- 加强C++高性能编程能力，熟悉主流端侧芯片工具链（如TensorRT, SNPE）
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目，重点突出技术选型依据、难点攻克过程及量化成果
- 请介绍一个你负责的音频算法从训练到端侧部署的全过程及遇到的挑战
- 如何平衡模型精度与端侧推理速度？有哪些具体的优化手段？
- 解释一下量化感知训练（QAT）的原理及其与传统PTQ的区别
- 针对多麦降噪场景，你会如何设计数据增强策略？
- 复习数字信号处理核心概念，梳理近期关注的音频/语音顶会论文，准备1-2个深度技术案例
职位点评
薪资福利80
成长发展90
工作生活60
使命价值75
薪资福利
80较高
作为已上市的头部科技企业，提供具有市场竞争力的薪酬和完善的福利体系，对补偿性动机满足度较高。
薪资信号市场水准 (2.5千–4.0万/月)
成长发展
90较高
岗位涉及前沿的音频算法与芯片协同设计，技术含量高，成长空间大，对个人技能提升极有帮助。
技术前沿前沿/新兴技术
技术栈音频算法、PyTorch、DSP、NPU、Transformer、模型量化
业务类型profit_center
工作生活
60中等
互联网/电子行业通常节奏较快，虽未明确提及加班文化，但高强度的研发任务可能影响工作生活平衡。
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
75中等
通过技术创新提升用户音频体验，具有明确的产品价值和社会影响力，符合技术人员的成就感追求。
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