•在《端到端语音识别》课程设计中，针对中文声调歧义问题，改进CTC-Attention解码算法，在自有数据集上显著降低字错率，项目荣获校级科技竞赛特等奖。
•依托国家自然科学基金课题，攻关复杂声学环境下的多说话人日志分离技术，设计时频域联合掩码网络，以第二作者身份在ICASSP发表研究成果。
•在智能客服场景中，针对方言和口音识别难题，引入多头注意力机制优化，将识别准确率从82%提升至90%，日均处理500万条语音请求，显著降低人工转接率。
•主导设计了分布式语音识别平台，支持医疗问诊、教育辅导等垂直领域，覆盖用户超300万，通过动态路由技术实现跨场景自适应，误识别率下降18%。
•深度参与智能音箱产品线需求评审，将语音识别引擎与用户习惯数据结合，推动交互自然度提升，产品在2022年斩获行业创新设计奖。
•定期组织语音技术沙龙，分享《噪声环境下模型鲁棒性实践》等内部论文，团队技术氛围活跃，成功吸引2名博士研究员加入核心团队。
•负责车载语音数据的清洗与标注，设计自动化预处理流水线，处理80万小时音频，通过质量评分机制过滤无效数据，为模型训练提供高纯度语料。
•通过模型剪枝与INT8量化技术，优化识别速度提升40%，在嵌入式设备上实现100ms级响应，满足实时交互需求。
•与测试团队协作定位内存泄漏问题，优化资源调度策略，系统可用性提升至99.8%，支撑7×24小时不间断服务。
•主导新人培训计划，编写《语音识别工程化实战手册》，帮助10名应届生快速掌握模型部署流程，缩短上手周期50%。
•面向医院医生口述病历场景，开发专用语音识别引擎，解决医学术语识别难题。
•针对手术室环境噪声，设计自适应滤波算法，在嘈杂条件下识别准确率仍达88%，较通用模型提升22%。
•利用医疗知识图谱增强模型理解能力，减少专业术语误识率，系统已集成至电子病历平台。
•与10家三甲医院合作完成部署，日均处理病历录入5000份，医生录入效率提升35%。
•为在线教育平台构建英语口语评测模块，支持发音准确性与流利度分析。
•优化模型推理流程，将评测响应时间从1.5秒压缩至0.5秒，实现实时发音反馈。
•评测准确率达95%，学生发音纠正效率提升50%，用户活跃度增长显著。
•系统上线后减少人工评测成本60%，助力平台日活用户突破百万。
语音生成与信号处理:
探索基于U-Net架构的盲源分离算法，针对强混响与高噪场景进行专项优化，有效降低下游ASR系统的噪声干扰，提升远场识别鲁棒性。
深入调研Diffusion Model在语音生成领域的应用，通过改进噪声调度策略解决音质毛刺问题，实现了接近真人发音的自然度与高保真效果。
结合心理声学理论调整合成韵律参数，支持新闻播报与有声书等多场景的风格迁移，显著增强了听觉体验的沉浸感与交互满意度。
