网约车技术部-算法实习生

我们团队正在建设全双工语音对话大模型及其配套的语音交互能力,负责司乘的行程安全保障,模型需要像真人安全客服一样"听得懂、接得快、说得自然”, 关注的核心研究问题包括: * 全双工对话建模：双流并行建模、轮转预测、打断建模、时间对齐机制 * 流式低延迟语音生成：流式 TTS 首包延迟优化、语音 token 化、流式声学建模 * 语音多模态大模型：语音-文本联合建模、模态对齐与解耦、副语言信息（情感/语气）理解与生成 * 模型在真实车内安全场景的落地：话术可控性、业务评测体系 岗位职责 * 全双工对话模型研发：参与全双工语音对话大模型的训练与改进——轮转/打断/backchannel 的行为建模、时间对齐机制设计、双流或多流架构实验；跟踪并复现 SOTA 工作，在其基础上做面向安全场景的改进 * 语音 token 化与流式生成研究：参与语音 tokenizer 对比实验（离散 codec vs 连续 embedding、单码本 vs 多码本）、流式 TTS / 语音解码器的训练与首包延迟优化、情感与音色可控生成 * 语音多模态大模型实验：参与语音-文本交错预训练、模态对齐训练、Thinker-Talker 类架构实验；研究与业务能力的结合（函数调用、知识检索在语音模态下的行为） * 评测与消融研究：基于学术基准 + 自建安全场景评测集，系统评测候选模型与方案（停顿处理、backchannel、轮转平滑、打断管理），设计消融实验定位能力瓶颈 * 数据工程：全双工对话数据构造（真实带打断/重叠标注的双人对话稀缺，需要研究生成/合成/课程训练等数据策略）；安全场景话术数据集的结构化整理与清洗 * 前沿跟踪与技术报告：跟踪 ICASSP / Interspeech / ACL / NeurIPS / AAAI 等会议的语音对话方向论文，定期输出精读报告与选型建议，参与团队技术决策讨论

硕士/博士在读优先 专业：计算机科学、人工智能、自动化、声学、电子信息等相关专业 研究经历匹配,以下方向任一有科研经历即可: *语音对话模型 / 口语对话系统（spoken dialogue） *语音多模态大模型（speech LLM / audio-LLM / omni-modal） *TTS / 语音合成（含流式合成、voice cloning） *ASR / 语音识别、语音 token 化 / 神经编解码器（speech codec） 经历形式：实验室科研项目、发表论文（ICASSP/Interspeech/ACL/NeurIPS/AAAI 等）、开源项目贡献、语音类竞赛获奖，任一均可 注：若有其他疑问 可邮件咨询internrecruit@didiglobal.com