阿里巴巴算法工程师-语音方向
任职要求
1. 音频、语音、自然语言处理、等相关专业硕士及以上学历。 2. 有语音识别端到端声学建模（transformer， whisper、 qwen-omni, baichuan-omni）相关经验。 3. 有语音无监督预训练（wav2vec）经验，大语言模型与训练、SFT、强化学习相关经验，语音端到端大模型audio encoder + LLM 研发工作。 4. 在顶级领域会议（如Ne…
工作职责
参与构建新一代电商语音认知引擎，通过大模型技术实现语音交互与商品理解的双向增强，打造全球领先的电商领域语音智能中枢，支撑淘宝亿级DAU场景的语音搜索、智能导购等核心业务。 1. 负责大模型语音模态的设计、开发和优化，包括但不限于语音音频数据清洗、模型设计、训练策略等方面的研究与应用。 2. 参与语音识别、语音合成、语音理解等相关大模型语音模态能力的建设，提升跨模态整体效果。 3. 跟踪、探索大模型方向，将各模态的SOTA能力集成到模型底座上，提升识别以及搜索能力，提升团队技术先进性。
1、负责音频相关算法研发，包括但不限于语音合成、歌声合成、声音转换、音乐理解、音乐生成等； 2、负责音频相关算法在产品中落地，建设行业先进音频内容理解和生产能力，落地公司各个业务场景； 3、跟踪前沿的算法理论，并将优秀算法应用到实际业务中，提升业务效果； 4、参与PGC语音、音乐内容的创意和制作，一同打造声音体验； 5、与多元化的团队合作，将你的语言、音乐知识应用于前沿的AI项目。
在算力驱动的 AGI 和人文精神的烟火气交汇之处，我们真诚邀请对大模型 Omni Model 有热情的同学加入，共同打造更具影响力的智能系统。你会成为团队的一员，并和其他同事协作，共同研发 SOTA 的 Omni Model。期待你以务实和客观的科学态度来推进技术的进展，不被过往经验裹挟、不被主观偏好影响。期待你除了算法外仍然是为出色的工程师。期待你对技术有强烈的好奇心和开放心态。 区别于传统 ASR / TTS 级联技术，我们希望打造端到端的 Omni Model 在实时交互中释放大模型的智力水平，彻底改变以 Chatbot 文字为主的人机交互界面 岗位说明：你会负责围绕大模型 Omni Model 构建语音模态的相关研究工作，包括但不限于如下事项 海量的语音数据处理和构建：定性分析、定量评估数据质量，并给出 scalable 的改进方案；探索跨模态（文字/视觉/语音）混合训练的最佳实践； 探索更加高效且合理的模型架构，让模型更加理解音频，同时让模型具备更好的语音合成能力 研究并探索基于 Omni Model 的 Post Train，包含但不限于 SFT 和 RL
1. 参与多模态大模型语音方向的研发工作，包括但不限于语音识别、音频理解、声音事件检测、语音端到端对话等 2. 负责多模态大模型前沿算法的探索 3. 负责多模态大模型相关数据的清洗、扩增，提升数据质量 4. 参与多模态大模型的训练、优化和测试，提升模型的性能和稳定性 5. 协助团队完成相关项目的开发和落地，实现技术成果的转化
1. 负责安卓/iOS/鸿蒙三端语音双工核心模块开发，聚焦导航、对话场景的音频采集与播放功能，保障低延迟、高稳定性的声音交互体验； 2. 适配多端音频架构及设备特性，优化音频设备兼容性，解决回声、噪音、断连等现场问题； 3. 参与语音传输链路客户端优化，结合音频编解码技术（如Opus/AAC）提升双工通信效率与音质； 4. 协同团队完成TTS引擎的客户端集成与效果调优，确保导航指引、对话响应等场景的语音输出自然流畅； 5. 落地语音双工交互逻辑，保障“边说边听”“自然打断”等核心体验在多场景下的稳定性。