{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "音频算法工程师（音频理解和生成）",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "网易互联网2027届校园招聘",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "人工智能"AI生成
    },
    "company": {
        "company_name": "网易",
        "company_industry": "互联网 / 游戏 / 数字内容",
        "company_size": "10000人以上",
        "company_website": "netease.com",
        "company_description": "网易提供互联网和游戏服务，并通过有道、网易云音乐、网易严选等业务提供学习、音乐及消费服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "2027 届全日制硕士 / 博士",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1、音频大模型研发（理解 + 生成双主线）：\n参与音频基座大模型预训练、SFT 微调、RLHF 对齐；覆盖音频理解（ASR 语音识别、声音事件检测、音乐分类、音频内容检索、副语言 / 情绪识别、声纹校验）、音频生成（TTS 语音合成、音色复刻、歌声合成、文生音乐、音频修复、伴奏分离、Diffusion 音频生成、Audio Vivid 空间音频生成）两大核心方向。\n2、全链路数据治理：\n完成音频数据集构建、原始音频清洗、降噪预处理、标注质控、数据增强、多语种音乐语料扩充，搭建自动化音频数据处理流水线，支撑模型迭代效果提升。\n3、模型优化与工程落地：\n基于 PyTorch 完成模型训练、推理调优；开展模型蒸馏、量化、剪枝轻量化、流式推理优化，适配云端服务 / 端侧部署；对接算法工程、产品团队，完成音频能力 API 上线、线上指标迭代。\n4、前沿技术调研与原型验证：\n跟进 Audio LLM、Diffusion 音频模型、CosyVoice/F5-TTS、FunASR、Whisper 系列、音乐生成大模型、多模态音文对齐等前沿方案，快速完成技术 Demo 验证、竞品算法对标、技术方案选型输出。\n5、业务场景落地迭代：\n面向音乐平台、短视频音频、音频版权审核、智能音效、音频检索业务做算法定制化优化，解决远场噪声、多人混响、音色一致性、长音频生成断裂、多风格适配等线上痛点问题。",
        "requirements_text": "1、 2027 届全日制硕士 / 博士，优秀本科可破格；计算机、人工智能、信号与信息处理、声学、电子通信、自动化、应用数学、音乐信息检索（ISMIR）相关专业；\n2、扎实数字信号处理 DSP 基础：傅里叶变换、梅尔频谱 Fbank/MFCC、时域 / 频域滤波、VAD 端点检测、声源分离基础原理；\n3、熟练 Python，熟练使用 PyTorch 深度学习框架，具备 Linux 开发调试经验；\n4、掌握机器学习、深度学习基础：Transformer、CNN、GAN、VAE、扩散模型 Diffusion 自监督学习基础原理；\n5、能够独立完成模型训练、效果评测、问题归因分析，具备完整算法项目闭环经验。\n加分项：\n1、在ICASSP、Interspeech、ISMIR、NeurIPS、ICLR等音频 / AI 顶会有论文、Poster 或竞赛获奖；\n2、开源项目贡献：语音 / 音频开源模型二次开发、Github 开源作品；\n3、熟悉分布式训练（DeepSpeed、Megatron-LM）、模型推理优化（ONNX、TensorRT、流式 WebSocket 推理）；\n4、掌握 C++，有端侧音频算法移植、嵌入式 DSP 音频开发经验；\n5、音频相关竞赛获奖：语音识别、歌声合成、声源分离、音乐生成赛道。",
        "skills": [AI生成
            "Python",
            "C++",
            "Linux",
            "PyTorch",
            "机器学习",
            "深度学习",
            "模型训练",
            "嵌入式",
            "信号处理"
        ],
        "preferred_qualifications": "加分项：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus.163.com/app/detail/index?id=4799&projectId=103"
            }
        ]
    },
    "posting": {
        "posting_id": "103_4799",
        "post_date": "",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus.163.com/app/detail/index?id=4799&projectId=103"
    },
    "fulltext": "音频算法工程师（音频理解和生成）\n职位描述\n1、音频大模型研发（理解 + 生成双主线）：\n参与音频基座大模型预训练、SFT 微调、RLHF 对齐；覆盖音频理解（ASR 语音识别、声音事件检测、音乐分类、音频内容检索、副语言 / 情绪识别、声纹校验）、音频生成（TTS 语音合成、音色复刻、歌声合成、文生音乐、音频修复、伴奏分离、Diffusion 音频生成、Audio Vivid 空间音频生成）两大核心方向。\n2、全链路数据治理：\n完成音频数据集构建、原始音频清洗、降噪预处理、标注质控、数据增强、多语种音乐语料扩充，搭建自动化音频数据处理流水线，支撑模型迭代效果提升。\n3、模型优化与工程落地：\n基于 PyTorch 完成模型训练、推理调优；开展模型蒸馏、量化、剪枝轻量化、流式推理优化，适配云端服务 / 端侧部署；对接算法工程、产品团队，完成音频能力 API 上线、线上指标迭代。\n4、前沿技术调研与原型验证：\n跟进 Audio LLM、Diffusion 音频模型、CosyVoice/F5-TTS、FunASR、Whisper 系列、音乐生成大模型、多模态音文对齐等前沿方案，快速完成技术 Demo 验证、竞品算法对标、技术方案选型输出。\n5、业务场景落地迭代：\n面向音乐平台、短视频音频、音频版权审核、智能音效、音频检索业务做算法定制化优化，解决远场噪声、多人混响、音色一致性、长音频生成断裂、多风格适配等线上痛点问题。\n\n职位要求\n1、 2027 届全日制硕士 / 博士，优秀本科可破格；计算机、人工智能、信号与信息处理、声学、电子通信、自动化、应用数学、音乐信息检索（ISMIR）相关专业；\n2、扎实数字信号处理 DSP 基础：傅里叶变换、梅尔频谱 Fbank/MFCC、时域 / 频域滤波、VAD 端点检测、声源分离基础原理；\n3、熟练 Python，熟练使用 PyTorch 深度学习框架，具备 Linux 开发调试经验；\n4、掌握机器学习、深度学习基础：Transformer、CNN、GAN、VAE、扩散模型 Diffusion 自监督学习基础原理；\n5、能够独立完成模型训练、效果评测、问题归因分析，具备完整算法项目闭环经验。\n加分项：\n1、在ICASSP、Interspeech、ISMIR、NeurIPS、ICLR等音频 / AI 顶会有论文、Poster 或竞赛获奖；\n2、开源项目贡献：语音 / 音频开源模型二次开发、Github 开源作品；\n3、熟悉分布式训练（DeepSpeed、Megatron-LM）、模型推理优化（ONNX、TensorRT、流式 WebSocket 推理）；\n4、掌握 C++，有端侧音频算法移植、嵌入式 DSP 音频开发经验；\n5、音频相关竞赛获奖：语音识别、歌声合成、声源分离、音乐生成赛道。\n1、音频大模型研发（理解 + 生成双主线）：\n参与音频基座大模型预训练、SFT 微调、RLHF 对齐；覆盖音频理解（ASR 语音识别、声音事件检测、音乐分类、音频内容检索、副语言 / 情绪识别、声纹校验）、音频生成（TTS 语音合成、音色复刻、歌声合成、文生音乐、音频修复、伴奏分离、Diffusion 音频生成、Audio Vivid 空间音频生成）两大核心方向。\n2、全链路数据治理：\n完成音频数据集构建、原始音频清洗、降噪预处理、标注质控、数据增强、多语种音乐语料扩充，搭建自动化音频数据处理流水线，支撑模型迭代效果提升。\n3、模型优化与工程落地：\n基于 PyTorch 完成模型训练、推理调优；开展模型蒸馏、量化、剪枝轻量化、流式推理优化，适配云端服务 / 端侧部署；对接算法工程、产品团队，完成音频能力 API 上线、线上指标迭代。\n4、前沿技术调研与原型验证：\n跟进 Audio LLM、Diffusion 音频模型、CosyVoice/F5-TTS、FunASR、Whisper 系列、音乐生成大模型、多模态音文对齐等前沿方案，快速完成技术 Demo 验证、竞品算法对标、技术方案选型输出。\n5、业务场景落地迭代：\n面向音乐平台、短视频音频、音频版权审核、智能音效、音频检索业务做算法定制化优化，解决远场噪声、多人混响、音色一致性、长音频生成断裂、多风格适配等线上痛点问题。\n1、 2027 届全日制硕士 / 博士，优秀本科可破格；计算机、人工智能、信号与信息处理、声学、电子通信、自动化、应用数学、音乐信息检索（ISMIR）相关专业；\n2、扎实数字信号处理 DSP 基础：傅里叶变换、梅尔频谱 Fbank/MFCC、时域 / 频域滤波、VAD 端点检测、声源分离基础原理；\n3、熟练 Python，熟练使用 PyTorch 深度学习框架，具备 Linux 开发调试经验；\n4、掌握机器学习、深度学习基础：Transformer、CNN、GAN、VAE、扩散模型 Diffusion 自监督学习基础原理；\n5、能够独立完成模型训练、效果评测、问题归因分析，具备完整算法项目闭环经验。\n加分项：\n1、在ICASSP、Interspeech、ISMIR、NeurIPS、ICLR等音频 / AI 顶会有论文、Poster 或竞赛获奖；\n2、开源项目贡献：语音 / 音频开源模型二次开发、Github 开源作品；\n3、熟悉分布式训练（DeepSpeed、Megatron-LM）、模型推理优化（ONNX、TensorRT、流式 WebSocket 推理）；\n4、掌握 C++，有端侧音频算法移植、嵌入式 DSP 音频开发经验；\n5、音频相关竞赛获奖：语音识别、歌声合成、声源分离、音乐生成赛道。",
    "standard_classification": {
        "std_category_code": "T035",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}