字节跳动
校招豆包大模型语音合成算法工程师 - Data语音
上海/杭州/北京/深圳 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，计算机科学、信号处理、人工智能等相关专业
- 有扎实的数学基础和算法/数据结构功底；深耕语音合成领域，熟悉并掌握主流的TTS算法架构，熟悉基于大模型的音频生成技术栈（如VALL-E、SeedTTS、CosyVoice、DiTAR等），有离散音频表征（Audio Codec）、自回归/非自回归、扩散模型等研发经验者优先
- 具备出色的工程能力和落地意识，熟练掌握PyTorch等深度学习框架；熟悉C++/CUDA或有TensorRT/ONNX推理优化、模型量化裁剪经验者优先
- 具备强烈的责任心与自驱力，能敏锐洞察业务需求，将技术突破转化为实际的产品价值。
- 加分项：
- 在Interspeech、ICASSP、NeurIPS、ICML、ACL等顶会上发表过语音/音频生成相关论文，或在相关技术竞赛中取得优异名次。
岗位描述
团队介绍：Data-语音团队致力于语音、音乐等大模型AIGC技术的研发和产品创新，我们的使命是通过多模态AIGC音频技术赋能内容创作和语音交互，让内容生产、消费与互动变得更加简单、沉浸、多元化。当前团队已有成熟的大模型语音合成、语音理解、音乐生成等多模态音频技术，并持续迭代大模型端到端语音交互方案等，一方面通过中台形式服务于公司众多业务线，例如豆包/Dola、抖音/TikTok、剪映/CapCut、番茄小说、海绵音乐等产品；另一方面，团队已经通过字节跳动旗下的火山引擎开放平台-语音技术和火山方舟平台，向众多企业开放技术成熟稳定的能力和服务。
- 1、负责下一代语音合成（TTS）、音频生成大模型（Seed Audio）与语音大模型核心技术的研发，包括但不限于Zero-Shot TTS、声音克隆（Voice Cloning）、跨语种合成及高表现力语音生成；
- 2、持续优化合成语音的音质、自然度、情感表现力，并针对端/云侧业务需求，进行模型轻量化、稳定性调优与推理加速；
- 3、主导音频生成技术在字节跳动业务场景的落地与交付，跟进并解决真实复杂场景下的业务诉求，包括豆包、抖音、剪映、Capcut、番茄小说等；
- 4、进行音频生成技术的Model-As-A-Service应用探索，通过火山方舟进行国内和国外重点场景的业务应用能力建设，让语音技术从研究走向应用。
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。