本岗位聚焦通用音频大模型的前沿研究，围绕"听、说、唱、创"全能力统一建模展开攻关。实习生将深度参与语音理解与生成统一架构设计、全双工低延迟交互机制、多模态音视频协同生成等核心方向，探索混合Token架构、Test-Time Scaling、流匹配等前沿技术，推动音频大模型在智能语音助手、交互媒体等场景的落地。