语音算法工程师（27届）

ASR 核心算法研发 ：参与端到端 ASR 系统的声学模型（AM）与语言模型（LM）优化及解码器调优，在导师指导下完成模型训练、效果验证与迭代，提升远场、高噪声、口音、多语种等复杂场景下的识别准确率。

VAD 算法研究 ：参与 VAD（语音端点检测）算法的设计与训练实验，探索远场、高噪声、双讲及复杂背景音下的静音截断与语音触发优化方案。

前沿技术探索 ：跟踪 LLM + Speech、长音频对齐、多语种混合识别、流式识别等前沿方向，参与预研实验与技术调研，撰写技术分析报告。

工程落地实践 ：参与算法云端部署与推理优化的工程实践，学习并实践模型压缩、蒸馏、量化及推理加速等技术，理解高吞吐、低延迟的工程约束。

数据闭环参与 ：参与自动化数据标注与清洗流程的建设与优化，通过弱监督、主动学习等手段协助构建持续迭代的数据飞轮。

技术积累与成长 ：持续阅读语音领域顶会论文（Interspeech、ICASSP 等），参与组内技术分享，逐步建立对语音识别全链路的系统性理解。

学历与专业 ：声学、信号与信息处理、模式识别与智能系统、计算机、人工智能等相关专业，硕士及以上。

理论基础 ：扎实的数字信号处理与深度学习基础，熟悉常用语音特征提取（MFCC / Fbank 等）；对主流 ASR 架构（CTC / RNN-T / Attention(AED) / Conformer 等端到端模型）有一定理解或研究经历。

编程与框架 ：掌握 Python / C++，具备良好的算法实现能力；使用过 PyTorch / TensorFlow 至少一种深度学习框架；有 Kaldi / WeNet / ESPnet 等语音框架使用经验者优先。

开发环境 ：具备 Linux 开发基础，了解多线程、异步编程基本概念。

学术素养 ：具备良好的英语论文阅读能力，关注语音领域顶会（Interspeech、ICASSP 等）前沿进展。

综合素质 ：对语音识别方向有持续热情，具备较强的学习能力、问题分析能力和团队协作意识。 加分项

竞赛获奖 ：在语音国际竞赛（CHiME、Interspeech 相关评测、SpeechIO 等）中获得前排名次。

顶会论文 ：在 Interspeech、ICASSP、ICLR、ACL 等语音或 AI 领域顶会/顶刊发表过相关论文（一作或核心作者优先）。

科研经历 ：在导师课题组有语音识别/语音处理/语音增强方向的研究经历，且有具体成果（论文/专利/系统Demo/竞赛排名）。

VAD 方向经验 ：有基于神经网络的 VAD 开发或研究经验，对人声、噪声、音乐及环境异响的区分有一定实践。

LLM + Speech ：对 LLM + Speech 结合方向有了解或实践经历，或对 Whisper 等模型有调优/复现经验。

工程优化经验 ：有模型量化、剪枝、蒸馏或 GPU 推理优化的学习或实践经验。

开源贡献 ：在 Kaldi / WeNet / ESPnet / Whisper 等开源语音项目有代码贡献