字节跳动
校招音频表征算法工程师 - 音视频技术
北京/深圳 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 2027届获得硕士及以上学位，计算机科学、电子工程、信号处理、人工智能、声学等相关专业优先
- 具备扎实的音频信号处理基础，深入理解傅里叶变换、梅尔频谱、MFCC、谱减法等传统音频特征提取方法，同时精通深度学习在音频领域的应用
- 熟练掌握至少一种深度学习框架（PyTorch/TensorFlow），具备丰富的音频表征模型（自监督、半监督、有监督）设计、训练与调优经验
- 具备良好的编程能力，熟练使用Python/C++，能够独立完成算法原型开发、实验验证与工程化适配
- 具备较强的问题分析与解决能力，对技术有追求，具备良好的沟通协作与跨团队推动能力。
岗位描述
团队介绍：视频与边缘部门承载了字节跳动的媒体内容分发基建及技术中台，支持了字节跳动全系产品，如抖音、今日头条、番茄小说、西瓜视频等APP的点播、直播、实时通信、图片等多媒体业务发展，同时将业务发展过程中沉淀下来的技术能力和工具，通过火山引擎对外输出，面向各行各业用户提供视频云产品和服务，愿景是为内外部业务伙伴提供最低成本、最优画质、最低延时、最安全可靠的富媒体内容分发解决方案，助力业务伙伴降本提效实现持续增长。
- 1、负责音频表征核心技术研发，聚焦语音、音乐和环境音等多场景音频的特征提取、表示学习与优化，构建高效、鲁棒的音频表征体系；
- 2、负责前沿技术调研与落地，跟踪深度学习、自监督学习和对比学习等领域在音频表征方向的最新进展（如Wav2Vec、HuBERT、AudioMAE等模型），并结合业务场景进行创新应用；
- 3、搭建音频表征模型的训练、评估与部署Pipeline，优化模型性能（精度、效率、泛化能力），满足量产级产品的工程化要求；
- 4、与算法工程、产品和业务等团队紧密协作，推动技术方案落地与迭代，输出技术文档与专利成果。
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。