主分类：大模型与生成式算法研发
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": "音乐生成高级算法工程师",
"job_level": "高级",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "算法研发"AI生成
},
"company": {
"company_name": "小米集团",
"company_industry": "消费电子 / 智能制造 / 物联网",
"company_size": "10000人以上",
"company_website": "xiaomi.com",
"company_description": "小米是一家消费电子和智能制造企业，以智能手机、智能硬件和物联网平台为核心。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 4,
"degree": "- 计算机科学、人工智能、信号处理、音乐技术等相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 算法研发：\n - 设计并优化基于深度学习（如Transformer、Diffusion、GAN、VAE等）的音乐生成模型，涵盖旋律、和声、节奏、音色等多维度生成任务。\n - 探索多模态音乐生成（如文本/图像/视频驱动音乐创作、哼唱转谱等）。\n - 研究音乐符号（MIDI/乐谱）与音频（波形/频谱）的联合建模技术。\n2. 工程落地：\n - 将算法部署到生产环境，优化推理效率（模型压缩、蒸馏、边缘端适配）。\n - 构建高质量音乐数据集，设计数据清洗、标注与评估流程。\n3. 跨领域协作：\n - 与音乐制作人合作调试生成结果的艺术性，平衡“可控性”与“创造性”。\n - 参与产品需求定义，将技术转化为用户可感知的音乐创作工具。",
"requirements_text": "- 计算机科学、人工智能、信号处理、音乐技术等相关专业本科及以上学历。\n- 熟悉Pytorch等深度学习框架，具备4年以上序列建模或多模态生成经验。\n- 熟悉音乐理论（和声/调式/节奏）或具备数字音频处理（DSP）基础，能解读乐谱/MIDI。\n- 主导过1个以上音乐AI项目（如旋律生成、歌声合成、风格迁移等）的完整生命周期。\n加分项：\n- 发表过ICLR/NeurIPS/ISMIR等顶会论文，或拥有音乐生成相关专利。\n- 精通音频信号处理（STFT、CQT、声码器如HiFi-GAN、NSF）。\n- 熟悉音乐制作工具（Ableton Live、Logic Pro）或DAW插件开发（VST/AU）。\n- 参与过开源音乐AI项目（如Magenta、Jukebox、MusicLM）。",
"skills": [AI生成
"PyTorch",
"深度学习",
"信号处理",
"建模"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7535656424874999916/detail"
}
]
},
"posting": {
"posting_id": "7535656424874999916",
"post_date": "2025-08-07",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7535656424874999916/detail"
},
"fulltext": "音乐生成高级算法工程师\n职位描述\n1. 算法研发：\n - 设计并优化基于深度学习（如Transformer、Diffusion、GAN、VAE等）的音乐生成模型，涵盖旋律、和声、节奏、音色等多维度生成任务。\n - 探索多模态音乐生成（如文本/图像/视频驱动音乐创作、哼唱转谱等）。\n - 研究音乐符号（MIDI/乐谱）与音频（波形/频谱）的联合建模技术。\n2. 工程落地：\n - 将算法部署到生产环境，优化推理效率（模型压缩、蒸馏、边缘端适配）。\n - 构建高质量音乐数据集，设计数据清洗、标注与评估流程。\n3. 跨领域协作：\n - 与音乐制作人合作调试生成结果的艺术性，平衡“可控性”与“创造性”。\n - 参与产品需求定义，将技术转化为用户可感知的音乐创作工具。\n\n职位要求\n- 计算机科学、人工智能、信号处理、音乐技术等相关专业本科及以上学历。\n- 熟悉Pytorch等深度学习框架，具备4年以上序列建模或多模态生成经验。\n- 熟悉音乐理论（和声/调式/节奏）或具备数字音频处理（DSP）基础，能解读乐谱/MIDI。\n- 主导过1个以上音乐AI项目（如旋律生成、歌声合成、风格迁移等）的完整生命周期。\n加分项：\n- 发表过ICLR/NeurIPS/ISMIR等顶会论文，或拥有音乐生成相关专利。\n- 精通音频信号处理（STFT、CQT、声码器如HiFi-GAN、NSF）。\n- 熟悉音乐制作工具（Ableton Live、Logic Pro）或DAW插件开发（VST/AU）。\n- 参与过开源音乐AI项目（如Magenta、Jukebox、MusicLM）。\n1. 算法研发：\n - 设计并优化基于深度学习（如Transformer、Diffusion、GAN、VAE等）的音乐生成模型，涵盖旋律、和声、节奏、音色等多维度生成任务。\n - 探索多模态音乐生成（如文本/图像/视频驱动音乐创作、哼唱转谱等）。\n - 研究音乐符号（MIDI/乐谱）与音频（波形/频谱）的联合建模技术。\n2. 工程落地：\n - 将算法部署到生产环境，优化推理效率（模型压缩、蒸馏、边缘端适配）。\n - 构建高质量音乐数据集，设计数据清洗、标注与评估流程。\n3. 跨领域协作：\n - 与音乐制作人合作调试生成结果的艺术性，平衡“可控性”与“创造性”。\n - 参与产品需求定义，将技术转化为用户可感知的音乐创作工具。\n- 计算机科学、人工智能、信号处理、音乐技术等相关专业本科及以上学历。\n- 熟悉Pytorch等深度学习框架，具备4年以上序列建模或多模态生成经验。\n- 熟悉音乐理论（和声/调式/节奏）或具备数字音频处理（DSP）基础，能解读乐谱/MIDI。\n- 主导过1个以上音乐AI项目（如旋律生成、歌声合成、风格迁移等）的完整生命周期。\n加分项：\n- 发表过ICLR/NeurIPS/ISMIR等顶会论文，或拥有音乐生成相关专利。\n- 精通音频信号处理（STFT、CQT、声码器如HiFi-GAN、NSF）。\n- 熟悉音乐制作工具（Ableton Live、Logic Pro）或DAW插件开发（VST/AU）。\n- 参与过开源音乐AI项目（如Magenta、Jukebox、MusicLM）。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}