腾讯
校招腾讯会议—语音理解大模型方向研究
北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、具有语音识别、说话人识别等方向的研究经验；
- 2、具备一定的LLM理论基础和调优实践经验；
- 3、熟悉端到端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：
会议内容理解是一项艰巨的课题，难点主要在于超长音频，超长上下文，多说话人，多距离，多语种，多方言，多轮，连续语流，还需要利用会议中出现的各类视觉，文本多模态信息，辅助音频理解达到理想的效果。
课题挑战：
会议是一个连续，长时音频输入，又涉及多人对话，远场场景，还有文档分享这些外部输入源。本研究旨在研发超长音频，超长上下文，多说话人，连续语流场景下，全面理解会议内容的大模型方案；更好的识别会议内容(semantic info)和富信息（paralinguistic info）。与此同时，如何更好的利用会议进行时的实时in context learning：充分利用会议的会前文档，会中屏幕文档共享，会议历史信息，提升模型的输出质量，最后，研发会议reward model，通过和参会用户不断的交互，建立价值体系，在交互中不断提升模型的能力。
具体工作：
本职位承接腾讯会议实时字幕，会后流式和离线纪要，上传文件，录音笔，实时和离线多语种语音内容理解等工作。在当前已有模型下，需要进一步提升内容识别和理解质量，这里就需要针对会议的特点，从长度和内容的丰富度上，研发超长音频，超长上下文，多说话人，多语种，多方言，多轮，连续语流场景下，全面理解会议内容的大模型方案；同时，从可利用的信息上，充分利用会中会外各类多媒体信息，通过和用户不断的交互，提升会议场景内容理解的质量。
【任职要求】
- 1、具有语音识别、说话人识别等方向的研究经验；
- 2、具备一定的LLM理论基础和调优实践经验；
- 3、熟悉端到端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。