腾讯音乐酷狗音乐音频生成大模型工程师
社招全职酷狗音乐-技术类地点：广州状态：招聘
任职要求
1.熟练掌握Transformer架构、LLM、DiT等核心技术； 2.有歌声合成、音乐生成研发经验，深度研究过Stable Audio、ACE-step、Levo、F5-TTS、Qwen3-TTS等优秀的音频生成方案，熟悉音频vae和tokenizer； 3.…
登录查看完整任职要求
微信扫码，1秒登录
工作职责
1.跟踪和研究行业前沿的音频生成模型、音频语言模型、多模态理解与生成模型相关技术； 2.负责音频生成大模型（含歌声合成、音乐生成大模型）的研发，包括训练数据制作、模型设计、模型训练与微调； 3.与产品、工程团队协作，将研发的模型方案转化为可落地的产品功能。
包括英文材料
Transformer+
https://huggingface.co/learn/llm-course/en/chapter1/4
Breaking down how Large Language Models work, visualizing how data flows through.
https://poloclub.github.io/transformer-explainer/
An interactive visualization tool showing you how transformer models work in large language models (LLM) like GPT.
https://www.youtube.com/watch?v=wjZofJX0v4M
Breaking down how Large Language Models work, visualizing how data flows through.
大模型+
https://www.youtube.com/watch?v=xZDB1naRUlk
You will build projects with LLMs that will enable you to create dynamic interfaces, interact with vast amounts of text data, and even empower LLMs with the capability to browse the internet for research papers.
https://www.youtube.com/watch?v=zjkBMFhNj_g
语音合成+
https://www.ibm.com/think/topics/text-to-speech
Text to speech (TTS) is a type of technology that converts text on a digital interface into natural-sounding audio.
还有更多 •••
相关职位
社招3年以上技术类-算法
1.参与前沿语音生成大模型的研发，涵盖数据体系设计、模型架构设计、训练优化等。 2.探索语音合成、声学建模、自然语言处理等多模态融合技术，提升模型在语音质量、自然度及逻辑推理能力上的表现。 3.针对实际应用场景（音色克隆、情感控制等）优化模型效果和性能，解决复杂技术难题。
更新于 2026-04-02北京|杭州
社招3年以上技术类-算法
1.参与前沿语音生成大模型的研发，涵盖数据体系设计、模型架构设计、训练优化等。 2.探索语音合成、声学建模、自然语言处理等多模态融合技术，提升模型在语音质量、自然度及逻辑推理能力上的表现。 3.针对实际应用场景（音色克隆、情感控制等）优化模型效果和性能，解决复杂技术难题。
更新于 2026-04-02北京|杭州
实习通义研究型实习生
1. 参与设计和实现融合音频理解与生成能力的统一架构，打破传统模型在“理解”与“生成”之间的壁垒； 2. 研究并开发针对长时序音频的高效建模方法，解决上下文保持难题，提升长程语义一致性和事件定位精度； 3. 提升模型在高噪声、低资源、多说话人等复杂环境下的鲁棒性，同时保证生成内容的自然度； 4. 实现跨音频类型的通用表征学习，支持零样本或少样本迁移至新任务或领域； 5. 优化模型推理效率，支持端侧部署与实时交互，满足边缘设备及移动端应用需求。
更新于 2025-12-10北京|杭州