主分类：语音与音频算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "大模型音频理解算法工程师-抖音音乐",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "上海",
"work_mode": "未披露",AI生成
"job_category": "算法"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、参与公司音乐业务音频智能监控与评估体系建设，面向抖音、汽水音乐等产品，研发基于大模型的音频理解与音质分析算法，构建规模化、自动化的音质大盘监控能力；研究音质指标建模、异常检测、质量趋势分析与问题聚类算法，实现音质问题的自动发现、定位和归因，为业务音质优化提供数据与算法支撑；\n2、研发面向音乐内容的音频理解大模型，利用Audio Foundation Model、多模态大模型（MLLM）及大语言模型（LLM）等技术，实现音质问题识别、音频缺陷检测、质量评分与自然语言描述，包括但不限于噪声、失真、爆音、削波、带宽受损、编解码损伤、响度异常等问题；\n3、探索大模型在Audio Quality Assessment（AQA）领域的应用，研究基于音频大模型的MOS预测、感知质量建模、Audio Reasoning、Audio Captioning及音质问题解释能力，推动音质评估从“单一分数”向“问题理解与可解释分析”演进；\n4、研究音频大模型的训练与后训练技术，包括音频表征学习、Audio-Text Alignment、SFT、Preference Learning、RL等，持续提升模型在音乐音质理解、复杂问题识别及专业音频分析场景中的能力；\n5、跟踪Audio Foundation Model、Audio LLM、多模态大模型及音频理解领域的国际前沿研究成果，持续推动算法创新与业务落地。",
"requirements_text": "1、本科及以上学历，计算机科学、电子工程、通信工程、声学、信号处理、人工智能等相关专业；\n2、熟悉深度学习及大模型基础理论，掌握Transformer、Attention等核心技术，熟练使用PyTorch、TensorFlow等至少一种深度学习框架；\n3、具备良好的音频与数字信号处理基础，理解时频分析、频谱、响度、动态范围、音频编解码及常见音质问题；\n4、熟悉Python，并掌握C/C++、MATLAB等至少一种编程语言，具备良好的算法实现与工程能力；\n5、对音频大模型、多模态大模型、音乐理解或Audio AI有浓厚兴趣，具有良好的学习能力、问题分析能力和团队合作精神。\n\n加分项：\n1、有Audio Foundation Model、Audio LLM、多模态大模型或音频理解相关科研、竞赛或项目经验；\n2、有Audio Quality Assessment（AQA）、MOS Prediction、PESQ、POLQA、ViSQOL、DNSMOS、NISQA等音质评估相关经验；\n3、熟悉Audio-Text Alignment、Audio Captioning、Audio Reasoning、SFT、RLHF、Preference Learning等大模型训练与后训练技术，并有实际项目经验；\n4、有海量音频数据分析、音质监控、异常检测、数据挖掘或大规模自动化评测系统建设经验；\n5、熟悉音频编解码（Codec）、Neural Codec、音频增强、音频生成等技术，能够理解不同音频处理链路对最终音质的影响；\n6、在ICASSP、Interspeech、NeurIPS、ICLR、ACL、EMNLP、IEEE TASLP等会议或期刊发表论文，或在音频、多模态、大模型相关竞赛中取得优异成绩，或有开源项目、GitHub、个人作品或技术博客等展示材料。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"TensorFlow",
"MATLAB",
"深度学习",
"数据分析",
"数据挖掘",
"模型训练",
"信号处理",
"团队协作",
"学习能力",
"分析能力",
"大语言模型"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7649979276155128069/detail"
}
]
},
"posting": {
"posting_id": "7649979276155128069",
"post_date": "2026-06-11",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7649979276155128069/detail"
},
"fulltext": "大模型音频理解算法工程师-抖音音乐\n职位描述\n1、参与公司音乐业务音频智能监控与评估体系建设，面向抖音、汽水音乐等产品，研发基于大模型的音频理解与音质分析算法，构建规模化、自动化的音质大盘监控能力；研究音质指标建模、异常检测、质量趋势分析与问题聚类算法，实现音质问题的自动发现、定位和归因，为业务音质优化提供数据与算法支撑；\n2、研发面向音乐内容的音频理解大模型，利用Audio Foundation Model、多模态大模型（MLLM）及大语言模型（LLM）等技术，实现音质问题识别、音频缺陷检测、质量评分与自然语言描述，包括但不限于噪声、失真、爆音、削波、带宽受损、编解码损伤、响度异常等问题；\n3、探索大模型在Audio Quality Assessment（AQA）领域的应用，研究基于音频大模型的MOS预测、感知质量建模、Audio Reasoning、Audio Captioning及音质问题解释能力，推动音质评估从“单一分数”向“问题理解与可解释分析”演进；\n4、研究音频大模型的训练与后训练技术，包括音频表征学习、Audio-Text Alignment、SFT、Preference Learning、RL等，持续提升模型在音乐音质理解、复杂问题识别及专业音频分析场景中的能力；\n5、跟踪Audio Foundation Model、Audio LLM、多模态大模型及音频理解领域的国际前沿研究成果，持续推动算法创新与业务落地。\n\n职位要求\n1、本科及以上学历，计算机科学、电子工程、通信工程、声学、信号处理、人工智能等相关专业；\n2、熟悉深度学习及大模型基础理论，掌握Transformer、Attention等核心技术，熟练使用PyTorch、TensorFlow等至少一种深度学习框架；\n3、具备良好的音频与数字信号处理基础，理解时频分析、频谱、响度、动态范围、音频编解码及常见音质问题；\n4、熟悉Python，并掌握C/C++、MATLAB等至少一种编程语言，具备良好的算法实现与工程能力；\n5、对音频大模型、多模态大模型、音乐理解或Audio AI有浓厚兴趣，具有良好的学习能力、问题分析能力和团队合作精神。\n\n加分项：\n1、有Audio Foundation Model、Audio LLM、多模态大模型或音频理解相关科研、竞赛或项目经验；\n2、有Audio Quality Assessment（AQA）、MOS Prediction、PESQ、POLQA、ViSQOL、DNSMOS、NISQA等音质评估相关经验；\n3、熟悉Audio-Text Alignment、Audio Captioning、Audio Reasoning、SFT、RLHF、Preference Learning等大模型训练与后训练技术，并有实际项目经验；\n4、有海量音频数据分析、音质监控、异常检测、数据挖掘或大规模自动化评测系统建设经验；\n5、熟悉音频编解码（Codec）、Neural Codec、音频增强、音频生成等技术，能够理解不同音频处理链路对最终音质的影响；\n6、在ICASSP、Interspeech、NeurIPS、ICLR、ACL、EMNLP、IEEE TASLP等会议或期刊发表论文，或在音频、多模态、大模型相关竞赛中取得优异成绩，或有开源项目、GitHub、个人作品或技术博客等展示材料。\n1、参与公司音乐业务音频智能监控与评估体系建设，面向抖音、汽水音乐等产品，研发基于大模型的音频理解与音质分析算法，构建规模化、自动化的音质大盘监控能力；研究音质指标建模、异常检测、质量趋势分析与问题聚类算法，实现音质问题的自动发现、定位和归因，为业务音质优化提供数据与算法支撑；\n2、研发面向音乐内容的音频理解大模型，利用Audio Foundation Model、多模态大模型（MLLM）及大语言模型（LLM）等技术，实现音质问题识别、音频缺陷检测、质量评分与自然语言描述，包括但不限于噪声、失真、爆音、削波、带宽受损、编解码损伤、响度异常等问题；\n3、探索大模型在Audio Quality Assessment（AQA）领域的应用，研究基于音频大模型的MOS预测、感知质量建模、Audio Reasoning、Audio Captioning及音质问题解释能力，推动音质评估从“单一分数”向“问题理解与可解释分析”演进；\n4、研究音频大模型的训练与后训练技术，包括音频表征学习、Audio-Text Alignment、SFT、Preference Learning、RL等，持续提升模型在音乐音质理解、复杂问题识别及专业音频分析场景中的能力；\n5、跟踪Audio Foundation Model、Audio LLM、多模态大模型及音频理解领域的国际前沿研究成果，持续推动算法创新与业务落地。\n1、本科及以上学历，计算机科学、电子工程、通信工程、声学、信号处理、人工智能等相关专业；\n2、熟悉深度学习及大模型基础理论，掌握Transformer、Attention等核心技术，熟练使用PyTorch、TensorFlow等至少一种深度学习框架；\n3、具备良好的音频与数字信号处理基础，理解时频分析、频谱、响度、动态范围、音频编解码及常见音质问题；\n4、熟悉Python，并掌握C/C++、MATLAB等至少一种编程语言，具备良好的算法实现与工程能力；\n5、对音频大模型、多模态大模型、音乐理解或Audio AI有浓厚兴趣，具有良好的学习能力、问题分析能力和团队合作精神。\n\n加分项：\n1、有Audio Foundation Model、Audio LLM、多模态大模型或音频理解相关科研、竞赛或项目经验；\n2、有Audio Quality Assessment（AQA）、MOS Prediction、PESQ、POLQA、ViSQOL、DNSMOS、NISQA等音质评估相关经验；\n3、熟悉Audio-Text Alignment、Audio Captioning、Audio Reasoning、SFT、RLHF、Preference Learning等大模型训练与后训练技术，并有实际项目经验；\n4、有海量音频数据分析、音质监控、异常检测、数据挖掘或大规模自动化评测系统建设经验；\n5、熟悉音频编解码（Codec）、Neural Codec、音频增强、音频生成等技术，能够理解不同音频处理链路对最终音质的影响；\n6、在ICASSP、Interspeech、NeurIPS、ICLR、ACL、EMNLP、IEEE TASLP等会议或期刊发表论文，或在音频、多模态、大模型相关竞赛中取得优异成绩，或有开源项目、GitHub、个人作品或技术博客等展示材料。",
"standard_classification": {
"std_category_code": "T035",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}