多模态大模型算法工程师—视觉 × 音频

让 AI 听懂音乐，并把音乐变成画面。 岗位介绍 如果你对 AIGC、视觉大模型、音频、音乐、视频生成、多模态 AI 感兴趣，这个方向非常适合你。我们正在探索下一代视觉-音频多模态生成能力，让 AI 不只是生成一张图片，而是能够理解“画面 + 人物 + 音乐 + 歌词 + 节奏 + 情绪”，并进一步生成完整的视频内容。 你将负责

1. 01

   参与视觉、音频及多模态大模型研发；

2. 02

   研究图像、视频、音频之间的跨模态理解与生成；

3. 03

   参与 T2V / I2V / S2V / A2V 等生成模型研究；

4. 04

   研究音乐、歌词、节奏、情绪与视觉内容之间的关联；

5. 05

   参与人物驱动、歌唱视频、Lip Sync 等技术研发；

6. 06

   构建多模态数据集、训练 Pipeline 和模型评测体系；

7. 07

   探索多模态 Agent，实现“理解 → 创作 → 生成”的完整流程。

我们希望你

1. 01

   计算机、人工智能、软件工程、自动化、电子信息、数学、声学等相关专业；硕士优先，本科优秀毕业生同样欢迎；

2. 02

   掌握 Python / C++，掌握机器学习、深度学习基础；

3. 03

   了解 Transformer / Diffusion / Multimodal LLM；

4. 04

   对计算机视觉、语音、音频、NLP 至少一个方向有深入了解。 加分项

5. 01

   有 CVPR / ICCV / ECCV / NeurIPS / ICASSP / INTERSPEECH / ACM MM 等相关研究经历；

6. 02

   有 Stable Diffusion、Flux、Wan、Qwen、LLaMA 等模型实践经验；

7. 03

   有 ASR / TTS / 音频分析 / 音乐生成项目经验；

8. 04

   熟悉 CLIP、VLM、LLM、AudioLM 等多模态技术；

9. 05

   有 AIGC、视频生成、数字人、Lip Sync、LoRA 微调或数据集构建经验。