音频算法工程师（训练优化方向）

1. 负责音频算法的研发、优化和部署，包括不限于单/多麦降噪增强、编解码、唤醒识别、说话人日志等方向。

2. 负责音频模型的训练与优化，包括数据构建与清洗、训练 pipeline 搭建、损失函数设计、模型剪枝 / 蒸馏 / 量化等。

3. 负责算法在 DSP / NPU / GPU / CPU 等异构平台上的部署与性能优化，保证实时性（RTF）与内存预算达标。

4. 参与算法驱动的芯片设计：从算法需求出发输出芯片规格建议（算子支持范围、位宽与精度、片上存储与带宽、算力与能效预算、噪声与鲁棒性约束），与芯片/硬件团队协同完成架构评估、算子定义与规格评审，推动算法与芯片的软硬协同设计。

5. 跟踪 ICASSP、Interspeech 等会议的前沿方法，评估并复现有价值的技术方案，推动算法从预研到量产落地。

---

1. 学历专业：硕士及以上学历，电子信息、计算机、通信工程、声学、自动化、信号与信息处理等相关专业；毕业三年以内。

2. 数学和信号处理基础：扎实的线性代数、概率统计与最优化基础，熟悉 FFT / STFT变换、数字滤波器设计、采样与重建、自适应滤波等数字信号处理核心知识。

3. 深度学习基础：熟悉 CNN / RNN / Transformer 等主流网络结构原理，理解模型训练的常见失效模式与调优方法。

4. 编程能力：熟练使用 Python 与 PyTorch，能独立编写完整、可复现的训练代码；具备 C/C++ 阅读与基础开发能力。

5. 工程素养：熟悉 Linux 开发环境与 Git 协作流程，代码习惯良好。

6. 文献能力：具备英文文献阅读能力，能直接阅读 arXiv 与会议论文并判断结论可信度。

7. 软硬件协同意识：理解算法指标（精度、时延、内存）与芯片指标（算力、带宽、功耗）之间的换算关系，能与芯片/硬件团队在同一语境下沟通。

8. 综合素质：沟通表达清晰，能把技术问题讲清楚给非算法背景的同事；学习能力强，能快速进入新方向。

---

加分项

1. 量化感知训练：有模型量化感知训练（QAT）实操经验，理解 PTQ 与 QAT 的差异、量化误差来源及混合精度策略。

2. 异构部署经验：有 DSP / NPU / GPU 等平台的实际部署经验，熟悉 ONNX、TensorRT、SNPE、QNN、Hexagon DSP 或主流端侧芯片工具链之一。

3. 端侧优化经验：熟悉算子融合、内存布局优化、定点化、模型剪枝与蒸馏，有"实验室指标到端侧指标一致"的调试经验。

4. 论文竞赛经历：在 ICASSP、Interspeech、ICML、NeurIPS、AAAI、TASLP 等会议或期刊发表过论文。参加过 DCASE、ICASSP SPGC、Interspeech 挑战赛、Kaggle、天池等音频/语音相关竞赛并取得名次。

5. 开源贡献：有高质量开源项目、技术博客或其他可验证的技术输出。

6. AI 工具实践：有使用 LLM / Agent 工具辅助研发、提升实验效率的实践经验。

7. 绩效记录：工作中多次获得持续高绩效评价者优先录用