腾讯
实习微信输入法-语音识别大模型研究
北京 · 实习 · 硕士
长期有效
任职要求
- 1、学历和专业要求
- 计算机、人工智能、语音信号处理、自然语言处理等相关专业硕士及以上，具备语音识别、多模态大模型或低资源语言研究背景优先。
- 2、技术技能要求
- 掌握Transformer、语音表征学习、ASR建模与多模态对齐；熟练使用PyTorch；具备大模型预训练、微调、推理优化或语言建模经验。
- 3、软性素质要求
- 具备优秀的科研创新与问题拆解能力，逻辑严谨、执行力强，拥有良好的沟通协作能力，可独立推进前沿课题研究与实验验证。
- 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：
现有语音输入法已实现基础普通话识别，但在时效新词、专业长尾词、中英混说、同音歧义、方言、复杂声学环境及口语不规范场景下效果受限。传统声学模型仅依赖信号建模，缺乏知识与推理能力。本课题基于语音-文本多模态大模型，融合用户行为、领域知识与实时信息，借助大模型的上下文建模与逻辑推理能力，系统性解决语音理解与转写的核心痛点，打造更精准、鲁棒、智能的语音输入体验。
课题挑战：
核心挑战在于如何通过语音-文本多模态预训练与对齐，让声学特征与语言知识深度融合。需解决多源异构信息（用户习惯、知识库、实时检索）高效注入、低资源方言统一语义建模、复杂声学环境下说话人分离与语音增强、口语冗余/语法错误的语义重构。同时依赖大模型强推理能力消歧同音词、识别新词、修正口语表达，但需避免幻觉与上下文不一致，平衡识别准确性与语言流畅度，实现端到端语音理解优化。
具体工作：
基于语音-文本多模态大模型，研究上下文感知语音识别、方言统一理解、复杂环境鲁棒建模、口语语义重构与流畅化输出，推动微信语音输入，微信输入法等语音识别场景落地。
【任职要求】
- 1、学历和专业要求
计算机、人工智能、语音信号处理、自然语言处理等相关专业硕士及以上，具备语音识别、多模态大模型或低资源语言研究背景优先。
- 2、技术技能要求
掌握Transformer、语音表征学习、ASR建模与多模态对齐；熟练使用PyTorch；具备大模型预训练、微调、推理优化或语言建模经验。
- 3、软性素质要求
具备优秀的科研创新与问题拆解能力，逻辑严谨、执行力强，拥有良好的沟通协作能力，可独立推进前沿课题研究与实验验证。
【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。