课题详情： 课题背景： 音频是信息传递的核心模态之一，贯穿生产生活全场景。相较于视觉、文本大模型的爆发式发展，音频领域研究存在明显短板：现有模型多局限于单一任务（如仅语音识别、仅音乐分类），缺乏跨音频类型（语音 / 音乐 / 环境音）的统一能力；音频理解深度不足，难以实现复杂语义推理与情感分析；全模态融合中，音频常处于辅助地位，未形成 “平等融合”的技术范式，无法充分发挥其信息价值。 课题挑战： 1、统一音频表征学习：突破语音、音乐、环境音的模态壁垒，构建通用音频表征模型，实现不同音频类型的统一理解与特征复用，解决现有模型 “任务割裂” 问题； 2、构建音频大模型范式：打造具备 “处理 - 分类 - 理解 - 推理 - 生成 - 评价” 全链路能力的大模型架构，覆盖从基础音频处理到高阶智能决策的全需求，适配多业务场景的灵活调用； 3、探索音频全模态融合方法：研究音频与文本、图像、视频的深度融合机制，突破 “音频辅助” 的传统模式，实现多模态信息的互补增强。 具体工作： 你将参与音频大模型相关的数据与建模工作，并结合安全审核和内容理解等业务需求寻找落地途径，探索与其他模态相融合方法。 课题要求： 1、包含但不限于计算机、人工智能、模式识别等相关专业的博士和优秀硕士； 2、熟悉机器学习、深度学习、大模型等基础理论与算法，具有语音/音频/多模态相关研究经历的优先； 3、有较强的学术研究能力，在人工智能或语音相关顶会上有论文发表者优先； 4、熟练掌握Python编程，熟悉分布式训练框架，具备丰富的大模型训练经验； 5、具备较强的逻辑思考和解决问题能力，沟通协作和逻辑表达良好。