Token Foundry-大模型音视频理解算法工程师-Qwen
Company 通义实验室
Focus 技术 · 算法
北京, 杭州
July 29, 2026
岗位职责
- 音频/音视频 Agentic能力: 原生音视频Agentic/Long-horizon, 全模态Agentic/Coding不降智等。
- 音视频理解基础能力：包括Caption, Grouding, 音视频Alignment， General QA，长视频，多音视频理解等。
- 音频/语音理解基础能力: 包括ASR, MultiSpkASR, 语音/音频Grouding/Counting/QA，音乐理解，长音频，多音频理解等。
- 音频/音视频Postrain/RL/OPD。
- 音视频通话与交互：包括全音视频双工, 音频query不降智/体感优化等。
- 语音生成基础能力: 包括音色克隆，可控性，长语音生成稳定性等。
- 全模态模型自主优化与Self-evolving。
任职要求
- 计算机、机器学习等相关专业，博士及硕士优先。
- 较强的代码能力，具有丰富的 TTS / Codec / 流ASR 研究经验，具有相关数据处理经验。
- 精通 Python 以及 Pytorch 等深度学习框架。
- 熟悉 Transformer 架构以及大语言模型基础知识。
- 善于平衡研究目标及落地实现，且结果导向。
- 良好的沟通和合作能力。
- 关注技术影响力，具有开源开放精神。
加分项：
- 曾发表顶级会议论文并具有一定的学术影响力，包括但不限于 NeurIPS、ICLR、ICML、ACL、CVPR、ECCV、InterSpeech 等，具有一些有深度的研究工作是较大加分项，欢迎其他方向的多模态同学看音频方向的机会。
- 具有较强的工程能力，有开发音视频实时交互系统的经验。
- 具有高表现力/鲁棒 TTS 生成模型研究/开发经验。
- 具有持续打磨好每一个技术细节的钻研精神。
- 拥有知名开源项目，在开源社区具有较好的影响力。
岗位标签
NEW