阿里巴巴数据技术及产品部-语音数据处理专家-杭州/北京

1. 研发支撑自动标注、并对标冲击业界 SOTA 的语音算子（识别与对齐、说话人与声学、中文方言/口音/LID、多音字 G2P、中英混、TN/ITN 等），负责训练、评估、迭代与持续对标； 2. 建设亿小时级语音数据资产中枢：内容族与资产族两族标签的 schema/ontology、取数引擎、元数据库、多维查询与按标签取数； 3. 设计跨源去重治理与 train-eval 去污 pipeline，建立数据覆盖率矩阵与缺口诊断，驱动数据按需补齐、形成质量闭环。

负责搭建并管理面向语音领域大模型的全链路数据体系，包括数据评测、加工、合成与标注。作为模型算法团队与数据采集团队的核心桥梁，确保高质量、多样化数据供给。主要包括以下： 1. 评测体系构建：主导音频领域大模型的评测标准制定，建立涵盖理解、生成、对齐、安全四大维度的评估框架，设计人工评测与自动评测相结合的混合评估方案，搭建评测数据集、生产管线，建立与SOTA模型的对比评测机制，输出专业评测报告。 2. 数据链路架构：构建大规模语音训练数据的全生命周期处理链路：采集→清洗→去重→质量筛选→格式标准化→安全过滤，搭建数据质量监控体系，建立数据价值评估模型，确保高信息密度数据的持续供给； 3. 标注规范与质量体系：制定细粒度多模态标注规范；建立分层质检机制确保标注的质量；设计标注人员培训体系与能力认证标准，搭建领域专家标注团队。

1. 负责语音大模型评测体系的系统性建设，围绕ASR、TTS、音频理解、语音对话等核心能力，设计全面、科学、可持续迭代的评测方案。 2. 主导音频评测数据集的建设工作，深入调研前沿音频评测基准，负责数据需求规划、采集方案设计、标注规范制定与质量审核全流程，持续优化评测维度与指标体系。 3. 设计音频领域自动评分与人工评审相结合的混合评测方案，制定主观听感评测标准，建设自动化评测链路，持续验证自动化及人工评测结果的一致性。 4. 输出高质量评测报告，从语言学/语音信号专业视角清晰呈现模型在各维度的能力表现，识别模型的典型失败案例与能力边界，为模型迭代提供具体可操作的改进建议。 5. 与模型研发、数据、产品等团队紧密协作，将评测结论有效转化为模型优化建议，形成评测驱动模型迭代的良性闭环。

1.在阿里集团语音大模型及相关业务场景下，参与输出侧与系统级交互评测路线图的执行落地，负责所属方向在组件级、系统级、产品能力三个层次的体系建设； 2.设计新型评测方法论，将模糊的音质感知、交互体验、对抗鲁棒性等维度转化为可标注、可量化、可复现的指标体系；并参与产品能力评测的具体落地，为业务场景实现场景化 Profile； 3.构建高吞吐量评测基础设施，把单次评测从手工脚本变成可调用的研究工具，支持模型团队的高频迭代节奏； 4.分析评测结果并归因模型缺陷，将技术发现转化为模型团队可执行的改进建议； 5.设计对抗性测试（红队测试），构建高质量评测数据集，并设计防数据泄露与防刷分机制，系统性发现模型边界 case； 6.定期独立横评所属方向的竞品语音能力，跟踪行业进展；参与方法论研究并产出顶级会议论文（ICASSP / Interspeech / ACL 等）； 7.示例研究方向（任选其一深入负责）：(1) TTS / 语音克隆方向——建立自然度、韵律多样性、中文声调多音字专项等评测方法论；(2) 系统级语音交互方向——建立延迟、全双工、打断、多轮记忆、情感、安全等评测方法论，含模拟用户测试与中文适配。