AIGC算法工程师

负责 AIGC 多模态生成能力（图像、音频、视频）的算法选型、模型调训、流程搭建与工程化落地，支撑营销、电商、车机内容、企业内部工具等业务场景。

负责文生图/图生图、文生音频/TTS/音频、文生视频/图生视频的全链路 Pipeline 开发，包括数据处理、模型训练/调训、推理优化与效果评测。

基于 Stable Diffusion/Diffusers、ControlNet、LoRA、ComfyUI 等生态搭建可控生成工作流，解决角色/商品一致性、姿态控制、局部蒙绘、风格迁移等业务问题。

负责生成模型的推理部署与性能优化（显存、时延、吞吐、并发），支持云端部署、车端部署。

建立生成质量评估体系（自动化指标+人工评测+业务指标），持续迭代 bad case 闭环。

跟进 AIGC 前沿（视频生成、语音克隆、音频生成、多模态大模型、Agent 工作流），完成技术预研与可行性验证。

技术要求：以下三个方向（图像、音频、视频），精通其一。

? 各方向技术要求

（1）图像生成

主流模型：Stable Diffusion 1.5/XL/3、FLUX、SDXL Turbo/LCM 等，理解 VAE、UNet/DIT、Text Encoder、Scheduler 等核心组件及完整推理链路。

可控生成：ControlNet（OpenPose/Canny/Depth 等）、IP-Adapter、Inpainting、LoRA/QLoRA/DreamBooth 部署。

配套能力：SAM/rembg 分割抠图、人脸与身份保持（InstantID/PhotoMaker 类）、放大修复（ESRGAN/Ultimate SD Upscale）。

工具链：ComfyUI、Automatic1111、Diffusers、kohya-ss、PEFT；推理框架 LLM（多模态）、TensorRT、ONNX。

（2）音频生成

语言合成 TTS：理解声学模型+声码器架构，熟悉 VITS、ChatTTS、CozeVoice、FS-TTS、GPT-SoVITS 等开源方案。

声克隆与多音色：少样本音色复刻、语音情感/韵律控制、多说话人建模。

音效/音乐生成：AudioLDM、Stable Audio、MusicGen 等文生音效/音乐模型。

前后处理：ASR（Whisper/FunASR），用于数据标注与对口型、音视频对齐、脚步同步（Wav2Lip/SadTalker 类）。

（3）视频生成

主流模型：了解 Wan、CogVideoX、MiniMax(Hailuo)、可灵、Sora 类 AIGC 视频模型及开源可部署方案。

• 任务类型：文生视频、图生视频、视频续写、首尾帧、运镜控制、视频转绘。

• 一致性技术：Temporal Layer / 3D VAE 原理角色与背景一致性、帧间闪烁抑制、视频超分与插帧（RIFE/EMA-VFI）。

• 配套工具：ComfyUI-AnimateDiff/VideoHelperSuite、ffmpeg、抽帧/合成/编码、字幕与音轨对齐。

加分项

1.有文生图、文生视频、文生音频等商业化产品上线落地经验。

2.有 AIGC 模型端侧部署、TensorRT、Genmie 优化加速经验。

3.有开源项目贡献、技术博客、Kaggle/生成类竞赛或相关论文。

二、任职要求

1.计算机、人工智能、电子信息等相关专业，本科3年以上/硕士1年以上算法或AIGC工程经验。

2.至少在图像、音频、视频一个方向有完整落地经验：能独立完成“数据准备→微调→推理→上线→效果迭代”闭环。

3.有 ComfyUI 工作流、AIGC 数字人、短视频批量生产等实际项目经验者优先。

4.动手能力强，对新模型工具有强烈尝鲜意愿，能快速完成从论文/开源仓库到业务 Demo 的上线。

5.具备良好的工程落地能力与业务思维，能够独立完成技术选型、模型优化、功能迭代、线上复盘，代码规范，善于沉淀技术文档与工具链。