{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "语音算法实习生—端到端语音大模型/统一建模方向",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "千问事业部",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "阿里巴巴集团",
        "company_industry": "电子商务 / 云计算 / 人工智能",
        "company_size": "10000人以上",
        "company_website": "alibaba.com",
        "company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "计算机科学、人工智能、信号处理、电子工程等相关专业在校硕士或博士研究生",
        "language": "4、具备优秀的英文文献阅读能力，对 AGI 和多模态交互有极强的探索欲",AI生成
        "visa_support": "未披露",
        "responsibilities": "1、探索并构建语音理解与生成统一的大模型架构（Speech Unified Modal），实现从语音到语音（S2S）、文本到语音（T2S）、语音到文本（S2T）的端到端流式交互能力，对标 GPT-4o 音频模式等前沿技术；\n2、负责语音离散化（Audio Tokenizer/Neural Codec）算法的改进与优化，提升语音 Token 在语义理解与声学细节（语调、情感、音色）上的表征能力，降低压缩损耗；\n3、参与语音大模型的预训练（Pre-training）、指令微调（SFT）及人类反馈强化学习（RLHF）流程；解决长序列建模、跨模态对齐及推理延迟等技术难题；\n4、设计并实施大规模多模态数据（语音-文本交错数据）的清洗、合成与增强方案，构建高质量的语音指令数据集（Instruction Tuning Data）；\n5、追踪并复现语音与多模态领域的最新顶会论文（如 ICASSP, Interspeech, ICLR, CVPR 等），将最新的自回归（Autoregressive）或流匹配（Flow Matching）技术应用于内部模型创新。",
        "requirements_text": "1、计算机科学、人工智能、信号处理、电子工程等相关专业在校硕士或博士研究生；\n2、精通 Python 编程，熟练掌握 PyTorch 深度学习框架；有 Megatron-LM、DeepSpeed 等大规模分布式训练框架使用经验者优先；\n3、深入理解 Transformer 架构及大语言模型（LLM）原理。熟悉主流语音编解码模型（如 VQ-VAE, SoundStream, EnCodec, HiFi-Codec）。熟悉语音大模型相关工作（如 AudioLM, VALL-E, SpeechGPT, Qwen-Audio, GPT-4o Audio 等）。\n加分项：\n1、在语音合成（TTS）、语音识别（ASR）或多模态学习领域有顶会（ICASSP, Interspeech, ACL, NeurIPS 等）论文发表者优先；\n2、有训练百亿参数以上模型经验，或在 HuggingFace/GitHub 有高 Star 开源项目贡献者优先；\n3、熟悉扩散模型（Diffusion Model）或 Flow Matching 在语音生成中的应用；\n4、具备优秀的英文文献阅读能力，对 AGI 和多模态交互有极强的探索欲。",
        "skills": [AI生成
            "Python",
            "PyTorch",
            "深度学习",
            "信号处理",
            "大语言模型"
        ],
        "preferred_qualifications": "有 Megatron-LM、DeepSpeed 等大规模分布式训练框架使用经验者优先；加分项：；1、在语音合成（TTS）、语音识别（ASR）或多模态学习领域有顶会（ICASSP, Interspeech, ACL, NeurIPS 等）论文发表者优先；2、有训练百亿参数以上模型经验，或在 HuggingFace/GitHub 有高 Star 开源项目贡献者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199905420001?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199905420001",
        "post_date": "2026-05-20",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199905420001?deptCodes="
    },
    "fulltext": "语音算法实习生—端到端语音大模型/统一建模方向\n语音算法实习生—端到端语音大模型/统一建模方向\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2029-10-31\n职位类别：技术类\n招聘项目：阿里巴巴日常实习生\n工作地点：杭州\n\n职位描述\n1、探索并构建语音理解与生成统一的大模型架构（Speech Unified Modal），实现从语音到语音（S2S）、文本到语音（T2S）、语音到文本（S2T）的端到端流式交互能力，对标 GPT-4o 音频模式等前沿技术；\n2、负责语音离散化（Audio Tokenizer/Neural Codec）算法的改进与优化，提升语音 Token 在语义理解与声学细节（语调、情感、音色）上的表征能力，降低压缩损耗；\n3、参与语音大模型的预训练（Pre-training）、指令微调（SFT）及人类反馈强化学习（RLHF）流程；解决长序列建模、跨模态对齐及推理延迟等技术难题；\n4、设计并实施大规模多模态数据（语音-文本交错数据）的清洗、合成与增强方案，构建高质量的语音指令数据集（Instruction Tuning Data）；\n5、追踪并复现语音与多模态领域的最新顶会论文（如 ICASSP, Interspeech, ICLR, CVPR 等），将最新的自回归（Autoregressive）或流匹配（Flow Matching）技术应用于内部模型创新。\n\n职位要求\n1、计算机科学、人工智能、信号处理、电子工程等相关专业在校硕士或博士研究生；\n2、精通 Python 编程，熟练掌握 PyTorch 深度学习框架；有 Megatron-LM、DeepSpeed 等大规模分布式训练框架使用经验者优先；\n3、深入理解 Transformer 架构及大语言模型（LLM）原理。熟悉主流语音编解码模型（如 VQ-VAE, SoundStream, EnCodec, HiFi-Codec）。熟悉语音大模型相关工作（如 AudioLM, VALL-E, SpeechGPT, Qwen-Audio, GPT-4o Audio 等）。\n加分项：\n1、在语音合成（TTS）、语音识别（ASR）或多模态学习领域有顶会（ICASSP, Interspeech, ACL, NeurIPS 等）论文发表者优先；\n2、有训练百亿参数以上模型经验，或在 HuggingFace/GitHub 有高 Star 开源项目贡献者优先；\n3、熟悉扩散模型（Diffusion Model）或 Flow Matching 在语音生成中的应用；\n4、具备优秀的英文文献阅读能力，对 AGI 和多模态交互有极强的探索欲。\n\n在招业务\n千问事业部\n1、探索并构建语音理解与生成统一的大模型架构（Speech Unified Modal），实现从语音到语音（S2S）、文本到语音（T2S）、语音到文本（S2T）的端到端流式交互能力，对标 GPT-4o 音频模式等前沿技术；\n2、负责语音离散化（Audio Tokenizer/Neural Codec）算法的改进与优化，提升语音 Token 在语义理解与声学细节（语调、情感、音色）上的表征能力，降低压缩损耗；\n3、参与语音大模型的预训练（Pre-training）、指令微调（SFT）及人类反馈强化学习（RLHF）流程；解决长序列建模、跨模态对齐及推理延迟等技术难题；\n4、设计并实施大规模多模态数据（语音-文本交错数据）的清洗、合成与增强方案，构建高质量的语音指令数据集（Instruction Tuning Data）；\n5、追踪并复现语音与多模态领域的最新顶会论文（如 ICASSP, Interspeech, ICLR, CVPR 等），将最新的自回归（Autoregressive）或流匹配（Flow Matching）技术应用于内部模型创新。\n1、计算机科学、人工智能、信号处理、电子工程等相关专业在校硕士或博士研究生；\n2、精通 Python 编程，熟练掌握 PyTorch 深度学习框架；有 Megatron-LM、DeepSpeed 等大规模分布式训练框架使用经验者优先；\n3、深入理解 Transformer 架构及大语言模型（LLM）原理。熟悉主流语音编解码模型（如 VQ-VAE, SoundStream, EnCodec, HiFi-Codec）。熟悉语音大模型相关工作（如 AudioLM, VALL-E, SpeechGPT, Qwen-Audio, GPT-4o Audio 等）。\n加分项：\n1、在语音合成（TTS）、语音识别（ASR）或多模态学习领域有顶会（ICASSP, Interspeech, ACL, NeurIPS 等）论文发表者优先；\n2、有训练百亿参数以上模型经验，或在 HuggingFace/GitHub 有高 Star 开源项目贡献者优先；\n3、熟悉扩散模型（Diffusion Model）或 Flow Matching 在语音生成中的应用；\n4、具备优秀的英文文献阅读能力，对 AGI 和多模态交互有极强的探索欲。",
    "standard_classification": {
        "std_category_code": "T035",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}