AI工程师（AI平台-配音）

职位描述

1. 全链路配音Agent编排：

- 基于 LangGraph / AutoGen 设计全自动配音工作流：视频提取人声伴奏分离ASR识别，说话人区分（Diarization）LLM剧本翻译 TTS合成音画对齐合成。

- 设计多Agent协作机制：例如“翻译Agent”负责信达雅，“对轨Agent”负责检查翻译后的语音时长是否与原视频嘴型时间窗口匹配。

2. 自适应翻译与时长控制（Duration-Aware Translation）：

- 这是本岗位的核心难点。你需要通过Prompt Engineering或Fine-tuning，让LLM在翻译时感知时长约束（例如：原句3秒，翻译出的英文也必须能在3秒内读完）。

- 设计Reflexion（反思）机制：当合成语音时长溢出时，Agent能自动触发“重写策略”，精简台词以适配时间轴。

3. 声音克隆与情感控制：

- 集成并优化主流TTS/SVC模型（如CosyVoice, ChatTTS, XTTS, OpenVoice），实现“几秒音频复刻角色声线”。

- 通过Agent提取原视频的情感特征（Prompt: "An angry man shouting"），并将其注入到TTS生成参数中，拒绝“棒读”。

4. 音频工程自动化：

- 调用FFmpeg/Sox或Python音频库，实现精细化的音频处理（淡入淡出、自动闪避Auto-ducking、背景音与新配音的融合）。

任职要求

1. 核心开发能力：

- 计算机、信号处理或相关专业本科及以上学历，5年以上开发经验。

- Python 功底深厚，熟练使用 LangChain/LlamaIndex 框架，且有FFmpeg深度使用经验（必选项）。

2. 音频/多模态AI经验（关键）：

- 懂TTS/ASR： 熟悉 Whisper（语音识别）、Pyannote（声纹识别/说话人区分）以及主流TTS模型的API调用与参数调优。

- 懂音频处理： 了解采样率、时频图、Mel频谱等基础概念，熟悉 Librosa, Pydub 等库。

- 懂RVC/SVC： 了解变声/歌声转换技术（RVC/So-VITS-SVC），理解如何通过SVC保留原声的情感语调。

3. Agent工程化思维：

- 具备解决非结构化问题的能力。例如：如何处理多人同时说话（Overlapping speech）的场景，如何处理原视频中的无声片段。

- 善于利用LLM进行结构化数据提取（比如输出带有时间戳的SRT/JSON格式）。

4. 加分项

- 唇形同步（Lip-Sync）经验： 熟悉 Wav2Lip, SadTalker, MuseTalk, VideoRetalking 等技术，能通过Agent自动修改视频嘴型以匹配新的配音语言。

- 背景音分离经验： 熟悉 UVR5 (Ultimate Vocal Remover) 或 Spleeter，能完美分离人声与BGM。

- 小语种优化经验： 了解泰语、阿语等小语种的TTS特性及发音韵律调整。