硕士期间专注于语音信号处理与机器学习相关领域研究，系统学习了《语音识别原理》《深度学习算法》等专业课程，GPA 3.8（满分4.0）。参与了学校组织的智能语音实验室项目，负责语音数据预处理模块开发，为后续算法研究奠定坚实基础。

• 负责公司语音交互产品的核心算法研发，主导基于深度学习的语音识别模型优化。通过引入注意力机制，使语音识别准确率从 85%提升至 92%，覆盖用户量超 5000 万。
• 搭建语音数据标注平台，制定标注规范，组建 20 人标注团队，累计标注语音数据 100 万小时，为算法迭代提供高质量数据支持。
• 与产品、开发团队紧密协作，完成多轮产品功能优化，推动产品在市场上的竞争力提升，年度产品营收增长 30%。

• 带领 10 人算法团队，承担公司智能客服语音识别系统升级项目。提出多模态融合算法（语音 + 文本语义），使客服系统语音识别响应速度提升 40%，日均处理对话量从 10 万次增至 15 万次。
• 主导构建算法模型自动化评估与部署平台，将模型迭代周期从 2 周缩短至 3 天，节省研发成本 20%。
• 与高校科研团队合作开展前沿技术研究，成功申请 3 项语音识别领域发明专利，提升公司技术壁垒。

• 项目背景：针对智能车载语音助手在复杂驾驶环境（如噪音、方言）下识别率低的问题，开展专项优化。
• 技术实现：采用端到端语音识别模型（CTC + Attention），结合迁移学习（预训练模型在车载场景微调），构建环境自适应模块（噪声抑制、方言识别增强）。
• 项目成果：在嘈杂车内环境（80dB 噪音）下，语音识别准确率从 70%提升至 88%，适配 10 种主流方言，产品已搭载于 5 款热销车型，市场反馈良好。

• 项目背景：为提升公司智能家电语音交互体验，打造行业领先的离线语音识别方案。
• 技术实现：设计轻量级深度神经网络模型（参数量压缩 50%），优化模型剪枝与量化算法，实现模型在低算力芯片（ARM Cortex - M4）上的高效部署。
• 项目成果：离线语音识别唤醒率达 99%，误唤醒率低于 0.1 次/天，支持 100 条以上家电控制指令，已应用于公司全系智能家电产品，销量增长 25%。