招收以下研究方向的博士后人员：
1.自然语言处理（NLP）单语语料在机器翻译、文本纠错等NLP文本生成任务中的研究多模态机器翻译研究篇章级别的机器翻译、文本纠错研究文本生成任务的质量评估办法研究融合外部知识的文本生成研究
2.计算机视觉（CV）开展无监督、半监督、少样本学习以及多模态技术在文档图像处理、识别和理解方面的应用研究：探索使用大量的自然场景、文档拍照、试卷/作业扫描图片等数据，以及大量题库、文档等文本数据，在结合少量人力的条件下，使用activelearning的技术，大幅提升图像任务（如图像增强、超分、手写擦除、文字检测与识别、文档结构分析、公式识别、手写识别、用户兴趣文字区域识别等）的效果，包括信噪比、准确率、泛化性等。研究成果将应用在有道的各个业务产品上。
3.高性能计算开展高性能计算和AI交叉课题相关研究，包括：AI训练框架性能优化研究，如例如探索高质量高性能的优化器；
AI神经网络研究，设计低计算量高质量的神经网络。
4.人工智能芯片研究利用定制芯片加速AI模型推理的性能，探索方向包括：
1.深度学习硬件加速器、人工智能芯片
2.AI神经网络结构研究，设计低计算量高质量的AI芯片，如近似计算；
3.参与团队AI芯片的算法适配，如从AI应用端验证AI新体系结构对AI准确度的影响。
5.语音
（1）情景口语对话算法研究在情景对话中进行听力口语练习，是个有趣且有效的语言学习方法，有道听力宝-情景对话是其中一个例子；
1.探索结合用户知识点掌握情况和学习需求，智能的生成/选择对话脚本，生成情景对话场景；
2.探索根据用户回答情况，调整脚本及口语对话流程，使得整体口语对话的生成，更自然、更有用。
（2）语音识别算法研究半监督、无监督、大规模预训练模型的在ASR领域的应用研究。探索课题包括但不限于：探索利用大规模互联网、海量业务数据进行数据挖掘，探索低成本构建高质量训练数据的方法（类似wenetspeech、gigaspeech）研究利用大规模预训练模型改善识别效果、鲁棒性的高效可落地方法；
尝试利用大语种（有丰富的训练数据）、预训练模型，低成本快速扩展ASR支持的语言、方言的技术方法。
（3）语音合成算法研究
1.跨语种（如中英）TTS自动配音技术研究；
2.还原原声的情感、风格、音色、韵律等表达力的合成技术研究；
3.应用跨语种TTS技术，低成本快速扩展TTS支持的语言、方言。招收条件：
1、年龄在35周岁以下，获得博士学位不超过三年（含应届）
2、计算机科学与技术、应用数学、物理学等相关专业
3、具备***进站工作条件