课题详情： 课题背景： 现有语音输入法已实现基础普通话识别，但在时效新词、专业长尾词、中英混说、同音歧义、方言、复杂声学环境及口语不规范场景下效果受限。传统声学模型仅依赖信号建模，缺乏知识与推理能力。本课题基于语音-文本多模态大模型，融合用户行为、领域知识与实时信息，借助大模型的上下文建模与逻辑推理能力，系统性解决语音理解与转写的核心痛点，打造更精准、鲁棒、智能的语音输入体验。 课题挑战： 核心挑战在于如何通过语音-文本多模态预训练与对齐，让声学特征与语言知识深度融合。需解决多源异构信息（用户习惯、知识库、实时检索）高效注入、低资源方言统一语义建模、复杂声学环境下说话人分离与语音增强、口语冗余/语法错误的语义重构。同时依赖大模型强推理能力消歧同音词、识别新词、修正口语表达，但需避免幻觉与上下文不一致，平衡识别准确性与语言流畅度，实现端到端语音理解优化。 具体工作： 基于语音-文本多模态大模型，研究上下文感知语音识别、方言统一理解、复杂环境鲁棒建模、口语语义重构与流畅化输出，推动微信语音输入，微信输入法等语音识别场景落地。 课题要求： 1、学历和专业要求 计算机、人工智能、语音信号处理、自然语言处理等相关专业硕士及以上，具备语音识别、多模态大模型或低资源语言研究背景优先。 2、技术技能要求 掌握Transformer、语音表征学习、ASR建模与多模态对齐；熟练使用PyTorch；具备大模型预训练、微调、推理优化或语言建模经验。 3、软性素质要求 具备优秀的科研创新与问题拆解能力，逻辑严谨、执行力强，拥有良好的沟通协作能力，可独立推进前沿课题研究与实验验证。