【LongCat大模型人才校招】语音大模型算法研究员

优缺点分析

角色解读

• 在团队内深耕语音大模型技术，成为领域专家，主导核心算法演进
• 向多模态方向扩展，参与Omni模型等全栈大模型研发，提升综合能力
• 积累大规模分布式训练与工程落地经验，向技术管理者或架构师发展
• 研究并优化端到端语音识别模型，解决多说话人、噪声等复杂场景下的识别准确率
• 探索上下文感知的语音合成技术，实现音色、情绪、语速等多属性的精细控制
• 构建大规模声纹基座模型，支持说话人分离与验证，提升多场景泛化能力
• 融合语音、文本与视觉模态，推动下一代多模态实时交互模型的研发
• 坚实的语音信号处理与机器学习理论基础，熟悉ASR、TTS、声纹等至少一个方向
• 精通PyTorch，具备大规模分布式训练经验，能驾驭千卡级集群
• 有顶级会议论文发表经验，具备独立科研和工程实现能力
• 对语音大模型前沿技术保持敏锐，了解LLM与多模态融合趋势

申请策略

• 关注美团的业务场景，思考语音技术如何应用于本地生活服务（如外卖、到店等），在面试中展现业务敏感度
• 主动联系团队了解当前技术难点，体现对具体问题的思考深度
• 重点突出语音相关的研究项目或论文，尤其是ASR、TTS、声纹等方向的成果
• 量化分布式训练经验，如使用过的集群规模、优化技巧、训练效率提升等
• 展示PyTorch等编程能力，以及参与开源项目或高质量代码实现
• 如有跨模态或LLM相关经验，务必强调与语音的结合点
• 补充语音前沿论文阅读（如ICASSP、Interspeech最新方向），掌握常用模型架构
• 实践大规模分布式训练框架（如DeepSpeed、Megatron），了解训练优化技巧

面试指南

• 项目经验：使用STAR法则（情境-任务-行动-结果），突出技术细节与个人贡献
• 技术对比：从架构、训练数据、推理效率、适用场景等维度对比，展示系统性理解
• 开放性问题：结合自身研究兴趣与业界趋势，提出有见地的观点，并谈可行性
• 请详细讲一下你参与过的语音相关项目，遇到了哪些技术挑战，如何解决？
• 比较当前主流端到端ASR模型（如Whisper、CTC、RNN-T）的优缺点
• 如何设计一个多说话人场景下的语音识别系统？
• 你对语音大模型未来发展方向有什么看法？
• 描述一次分布式训练中遇到的性能瓶颈及优化过程