腾讯
实习元宝—语音生成大模型方向研究
北京 · 实习 · 不限
长期有效
任职要求
- 1、具有语音合成、语音转换等方向的研究经验；
- 2、具备一定的LLM理论基础和调优实践经验；
- 3、熟悉语音大模型的训练和调优技术；
- 4、在Interspeech、ICASSP等会议中投稿者优先。
岗位描述
【岗位职责】
课题背景：
语音交互在元宝产品交互中扮演重要的角色，为了打造极致的用户交互体验，需要研发基于大模型的端到端语音生成技术，优化语音的自然度和流畅性。通过更先进的端到端语音大模型，使合成的语音将更加接近人类的真实语音。另外还需支持更多的语言和方言，使得不同语言背景的用户都能够享受到高质量的语音服务。未来的语音合成技术将允许用户进行个性化定制，用户可以根据自己的喜好选择合成语音的音色、语速和情感，从而提升用户体验。
课题挑战：
- 1、根据语义内容来推理生成相对应场景语音的风格和情感。
- 2、多人对话语音生成，解决交替说话过程中语气正常切换问题。
- 3、基于LLM的TTS模型幻觉问题，如错读和漏读等问题。
- 4、通过文本指令精准控制语音生成的风格，情感等。
- 5、设计RL算法同时保证生成语音的准确性和情感化。
- 6、多方言和多语种如何构建统一的语音生成大模型。
具体工作：
将参与语音生成大模型架构设计，预训练数据的清洗和基模的训练，tokenizer的设计和训练，instruct语音生成数据建设和算法优化，speech reward模型的建设和强化学习算法的研究，探索基于连续语音表征的技术方案，提升语音生成大模型的效果。
【任职要求】
- 1、具有语音合成、语音转换等方向的研究经验；
- 2、具备一定的LLM理论基础和调优实践经验；
- 3、熟悉语音大模型的训练和调优技术；
- 4、在Interspeech、ICASSP等会议中投稿者优先。
【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。