同花顺语音算法研究员（博士专项）
任职要求
任职要求 1.计算机、语音信号处理、人工智能、电子信息、自动化等相关专业，博士优先。 2.熟悉 ASR、TTS、Speaker Diarization、VAD、语音增强、语音编码、端到端语音模型等至少一个方向。 3.熟悉 Kaldi、ESPnet、WeNet、FunASR、Whisper、Paraformer、Conformer、FastSpeech、VITS、CosyVoice 等相关模型或框架。 …
工作职责
岗位方向 面向金融资讯、投研音频、会议纪要、智能客服、智能外呼、语音助手、实时语音问答等场景，建设语音识别、语音合成、语音理解和低延迟语音 Agent 能力。 岗位职责 1.负责 ASR、TTS、语音理解、说话人识别、语音增强、端点检测、实时转写等算法研发。 2.构建金融场景下的语音识别与理解能力，支持路演、会议、电话、直播、音频资讯等内容的转写、摘要、问答和结构化提取。 3.负责语音合成和播报能力建设，提升自然度、稳定性、情感表达、金融术语准确率和多音字处理能力。 4.探索低延迟实时语音交互、语音到语音模型、Voice Agent、实时翻译、实时问答等方向。 5.优化语音算法在复杂环境中的鲁棒性，包括噪声、口音、多人对话、金融专有名词、长音频切分等问题。 6.与大模型、Agent、多模态团队协作，构建语音入口的金融 AI 助手。
1. 结合深度学习技术，开展高表现力语音合成的算法研究与技术创新； 2. 设计、优化并落地先进的语音生成模型，提升语音的自然度、表现力与可控性； 3. 跟踪学术与工业界前沿进展，将新技术应用于实际产品或项目中。
1.负责GVoice游戏语音服务中多语种语音识别模型的定制化设计、训练与迭代优化，精通Conformer、Paraformer等端到端语音识别模型，显著提升不同语种识别准确率； 2.主导语音合成相关技术和算法的研发工作，包括模型训练、优化及项目全流程交付，确保语音合成效果达到行业领先水平； 3.针对多轮对话、全时全双工等跨语言交互场景，设计并优化适配多语种特性的语音处理方案，显著提升跨语言交互体验； 4.深入优化多语种模型在设备端与云端的推理性能，包括模型压缩、量化、流式部署等技术，平衡多语种支持与响应速度、资源利用率； 5.参与多语种语音数据集的构建、扩充与质量优化，搭建多语种专属评测体系，实现从训练到验证再到部署的完整闭环； 6.持续跟踪多语种语音领域前沿技术（如低资源语种建模、跨语种迁移学习等），探索并推动其在实际业务场景中的应用落地。
1.本职位承接元宝2c和2b场景各类实时和离线语音内容理解工作。进一步提升内容识别和理解质量，包括但不限于结合降噪的语音识别，富语言信息识别，多语种内容识别等； 2.从长度和内容的丰富度上，研发超长音频，超长上下文，多说话人，多语种，多方言，多轮，连续语流场景下，全面理解音视频内容的大模型方案； 3.从可利用的信息上，充分利用各类多模态输入信息，提升元宝各类产品语音理解内容理解的质量和效率； 4.研发和工程优化模型小型化，边缘计算，完赛模型的PaaS能力，赋能司内各类元宝生态下的音频理解基础能力。
1.负责游戏领域语音合成算法研发与落地，包括不限于情绪表达控制编辑和多样化语音合成； 2.推动语音合成技术在游戏场景中的应用，实现自然且富有情绪的语音输出，为游戏端内外提供更智能化的能力； 3.研究和探索情感建模、多说话人风格迁移、情感迁移等前沿技术，储备并应用新技术能力； 4.追踪业界前沿的语音合成及相关技术，并探索应用落地。