小影科技

【岗位职责】 让 AI 听懂音乐，并把音乐变成画面。 岗位介绍 如果你对 AIGC、视觉大模型、音频、音乐、视频生成、多模态 AI 感兴趣，这个方向非常适合你。我们正在探索下一代视觉-音频多模态生成能力，让 AI 不只是生成一张图片，而是能够理解“画面 + 人物 + 音乐 + 歌词 + 节奏 + 情绪”，并进一步生成完整的视频内容。 你将负责 1. 参与视觉、音频及多模态大模型研发； 2. 研究图像、视频、音频之间的跨模态理解与生成； 3. 参与 T2V / I2V / S2V / A2V 等生成模型研究； 4. 研究音乐、歌词、节奏、情绪与视觉内容之间的关联； 5. 参与人物驱动、歌唱视频、Lip Sync 等技术研发； 6. 构建多模态数据集、训练 Pipeline 和模型评测体系； 7. 探索多模态 Agent，实现“理解 → 创作 → 生成”的完整流程。 【任职要求】 我们希望你 1. 计算机、人工智能、软件工程、自动化、电子信息、数学、声学等相关专业；硕士优先，本科优秀毕业生同样欢迎； 2. 掌握 Python / C++，掌握机器学习、深度学习基础； 3. 了解 Transformer / Diffusion / Multimodal LLM； 4. 对计算机视觉、语音、音频、NLP 至少一个方向有深入了解。 加分项 1. 有 CVPR / ICCV / ECCV / NeurIPS / ICASSP / INTERSPEECH / ACM MM 等相关研究经历； 2. 有 Stable Diffusion、Flux、Wan、Qwen、LLaMA 等模型实践经验； 3. 有 ASR / TTS / 音频分析 / 音乐生成项目经验； 4. 熟悉 CLIP、VLM、LLM、AudioLM 等多模态技术； 5. 有 AIGC、视频生成、数字人、Lip Sync、LoRA 微调或数据集构建经验。