腾讯
校招混元多模态-统一音频生成大模型研究
深圳总部 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 基本要求：
- 1. 计算机科学、电子工程、人工智能、自动化或相关专业的在读硕士或博士生。
- 2. 扎实的编程基础，熟练掌握 Python；熟悉至少一种主流深度学习框架（PyTorch 优先）。
- 3. 对深度学习有深入理解，熟悉 Transformer、Diffusion Model、GAN 等至少一种生成模型的基本原理和实现。
- 4. 对音频信号处理有基本了解，熟悉不同音频的数据特性。
- 5. 具备优秀的英文文献阅读和理解能力，能够快速跟进前沿技术并复现算法。
- 6. 积极主动，有良好的沟通能力和团队协作精神，对解决挑战性问题充满热情。
- 加分项：
- 在 NeurIPS、ICML、ICLR、ICASSP、Interspeech等顶级会议或期刊上发表过相关论文者优先。
- 有语音合成（TTS）、音乐生成、音效生成等音频生成相关项目经验者优先。
- 有大规模模型训练、分布式训练（DDP）或性能优化经验者优先。
- 在相关领域的学术竞赛中取得优异成绩，或有相关开源项目贡献者优先。
- 具备扎实的数学基础，包括但不限于线性代数、概率论、最优化方法。
- 此课题同时招聘应届实习生和低年级实习生。
岗位描述
【岗位职责】
课题背景：
当前音频生成主要分为多个独立的赛道，如语音合成（Text-to-Speech, TTS）、音乐生成（Music Generation）和音效生成（Text-to-Sound/Sound Effect Generation）等。这些领域通常使用不同的模型架构、数据集和训练方法，模型能力孤立，无法充分利用不同音频模态间的共性知识。
为了打破这一壁垒，构建一个“大一统”的音频生成模型已成为前沿研究方向。一个统一的音频生成模型，能够仅通过一个模型，根据不同的输入指令（如文本指令、参考音频、甚至视频等），生成高质量、多样化的语音、音乐和音效。这样的模型不仅能极大提升研发效率，还能催生出全新的交叉应用场景（如带背景音乐的语音播报、有声故事中的实时音效匹配等），是通往更通用人工智能（AGI）在听觉维度的关键一步。
本课题旨在探索并实践一个业界领先的统一音频生成模型，为未来的内容创作、虚拟世界、智能助理等业务场景提供核心技术支持。
课题挑战：
- 1. 统一的音频表征（Unified Representation）：语音、音乐和音效在声学特征（如音高、节奏、音色）和结构层次（如乐器、音符、事件）上存在巨大差异。如何设计一种能够同时捕捉并解耦这些特性的统一音频表征，是实现模型泛化能力的基础。
- 2. 模型架构的扩展性与灵活性（Scalable & Flexible Architecture）：模型需要能够处理不同类型和长度的条件输入（例如，用于TTS的文本、用于音乐生成的乐理描述、用于音效生成的自由描述等等），并生成结构迥异的音频。如何设计一个既能处理多任务、又能生成高质量长序列音频的生成模型（如基于Transformer或Diffusion的模型）是一个核心挑战。
- 3. 可控生成与风格迁移（Controllable Generation & Style Transfer）：如何让模型精准地控制生成音频的各种属性。如控制语音的音色和情感、控制音乐的流派和乐器、控制音效与描述的匹配度、语音相关属性的解耦等。
- 4. 评测体系的建立（Evaluation System）：如何科学、全面地评估一个统一音频生成模型的性能是一个挑战。需要结合客观指标（如信噪比、频谱失真）和主观听感（MOS评分），并针对不同任务设计专门的评测维度，建立一套综合性的评测体系。
具体工作：
你将参与到音频统一生成模型的框架设计、预训练数据优化、captioner 训练、复杂指令数据的合成、自动评估、奖励系统建设和强化学习策略优化，从而构建领先的音频生成统一模型。
【任职要求】
基本要求：
- 1. 计算机科学、电子工程、人工智能、自动化或相关专业的在读硕士或博士生。
- 2. 扎实的编程基础，熟练掌握 Python；熟悉至少一种主流深度学习框架（PyTorch 优先）。
- 3. 对深度学习有深入理解，熟悉 Transformer、Diffusion Model、GAN 等至少一种生成模型的基本原理和实现。
- 4. 对音频信号处理有基本了解，熟悉不同音频的数据特性。
- 5. 具备优秀的英文文献阅读和理解能力，能够快速跟进前沿技术并复现算法。
- 6. 积极主动，有良好的沟通能力和团队协作精神，对解决挑战性问题充满热情。
加分项：
在 NeurIPS、ICML、ICLR、ICASSP、Interspeech等顶级会议或期刊上发表过相关论文者优先。
有语音合成（TTS）、音乐生成、音效生成等音频生成相关项目经验者优先。
有大规模模型训练、分布式训练（DDP）或性能优化经验者优先。
在相关领域的学术竞赛中取得优异成绩，或有相关开源项目贡献者优先。
具备扎实的数学基础，包括但不限于线性代数、概率论、最优化方法。
【加分项】
此课题同时招聘应届实习生和低年级实习生。
【技术方向】
多模态、视觉、语音
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。