Token Foundary事业部-音频算法专家/高级专家-未来生活实验室
Posted Updated 14
views
Summary
Audio algorithm expert/senior expert in Alibaba's Token Foundary (Future Life Lab) researching audio large models (Audio-LLM) that fuse ASR, TTS, and audio understanding end-to-end. Day-to-day spans expressive multilingual speech generation, multimodal music generation, audio tokenizer work aligning audio with LLM token space, and low-latency streaming voice, using architectures like Whisper, VITS
1、研发前沿的音频大模型 (Audio-LLM)，实现语音识别 (ASR)、语音合成 (TTS) 与音频理解的端到端融合。
2、优化多语种、情感化及高表现力的语音生成，提升在复杂环境（噪声、多人交谈）下的语义提取鲁棒性。
3、设计并优化多模态音乐生成模型，涵盖风格、韵律、和声、节奏等多维度生成任务。
4、探索音频 Tokenizer 优化，实现音频与 LLM 符号空间的对齐。
1、熟悉主流音频架构（如 Whisper, VITS, AudioLM, Vall-E，CosyVoice）；
2、精通音频信号处理及神经编解码器（Neural Codec）；
3、有全双工、超低延迟流式语音交互系统（Real-time Interactive Voice）的落地经验者优先。