语音大模型算法研究-阿里星

近年来，以大模型为核心的生成式人工智能技术在语音理解、语音合成、语音交互等领域取得了突破性进展，展现出前所未有的技术潜力与广泛的应用前景。 我们致力于语音通用大模型方向的前沿探索与产业落地创新。一方面，在迈向通用语音智能的长期路径中，随着语音基座模型能力的持续进化，语音感知、语义理解、语音生成与韵律建模等关键问题日益凸显，成为构建通用语音智能系统的核心挑战；另一方面，围绕典型行业场景（如智能语音交互、高质量语音合成、跨语种语音理解、实时对话系统等），如何将现有语音大模型能力有效转化为可落地、可扩展、可持续的解决方案，也成为当前研究与工程实践的重点方向。 如果你对语音生成式AI、通用语音智能前沿探索、语音大模型建模与智能语音交互系统有浓厚兴趣，并渴望深入参与下一代语音通用大模型的研发与演进，欢迎加入我们，共同定义未来语音AI的能力边界，牵引千行百业在智能时代的深度变革。

1. 01

   语音大模型算法创新：定义下一代语音通用大模型技术范式，实现语音识别、语音合成、语音交互等核心能力的统一建模，探寻和解决语音端到端建模、语音语义对齐、流式推理、Agentic等方面的核心挑战，不断追寻语音通用大模型的效果上限。

2. 02

   场景驱动的算法创新：结合业务场景（如智能语音交互、实时翻译、语音内容生成等），设计并优化语音大模型架构，提升效果、效率与鲁棒性，重点关注低延迟流式推理、端侧部署与弱网环境适配等工程化难题。

3. 03

   端到端技术闭环：从语音数据构建、模型训练、评测到部署，主导技术方案落地，通过AB实验、调用量、用户反馈验证价值，建立完善的语音模型评估体系（如WER、MOS、自然度、相似度等核心指标）。

4. 04

   前沿应用技术探索：紧跟并能驱动LLM、Speech LM、Diffusion Models、强化学习、Neural Codec等技术相关进展，定义语音大模型技术新范式，快速实验并迭代创新方案，拉升相关模型SOTA。

1. 01

   来自全球Top高校计算机科学、人工智能、数学、物理或相关领域应届博士/顶尖硕士毕业生。

2. 02

   深入掌握深度学习、强化学习、表示学习等建模方法；在多模态建模和跨模态对齐等方面有深入研究。

3. 03

   在国际顶级计算机会议/期刊（如NeurIPS、ICLR、TPAMI、CVPR、ECCV、InterSpeech、ICASSP、ACL等）以一作身份发表过多篇论文，或在开源社区、竞赛中展示出引领性的研究成果。

4. 04

   良好的工程与实验思维：熟悉PyTorch/TensorFlow等主流框架，具备大规模语言/视觉模型调优经验，能高效实现定制化训练流程；重视代码质量与实验结果，追求“不仅work，而且高效优雅”。

5. 05

   技术热情与好奇心：有志于将AI从实验室推向真实业务场景，构建“可解释、可控制、可落地”的行业智能系统，善于从复杂的行业需求中提炼出核心AI建模问题，并设计创新性的解决方案。

6. 06

   善于跨团队协作：能与产品、基础研究团队高效沟通，平衡技术理想与落地实现。