陈启明 · Audio, Video & Graphics Developer

• 主导通信线实时语音降噪方案重构，基于 RNNoise 与自适应滤波设计轻量级 C++ 推理管道，将噪声衰减量提升至 28 dB 且 CPU 占用率下降 35%，支撑超 6000 万 DAU 的语音通话场景。

• 针对 Opus 编码器在复杂网络下的码率分配策略进行深度调优，提出基于丢包率与抖动状态的自适应 FEC 与码率回退算法，使弱网（10% 丢包）下 MOS 分提升 0.4，语音卡顿率降低 22%。

• 设计并优化 H.264 实时编码前处理链路，引入内容自适应量化与 ROI 低通滤波，在主观画质不变的情况下将低动态场景码率节省 18%，助力视频通话带宽成本下降 12%。

• 搭建 C++ 实时音频处理框架，完成多采样率、多声道的高通量重采样与混音模块，单次处理延迟控制在 2 ms 以内，通过大规模压测保障亿级用户并发下的稳定服务。

• 主导设计端到端语音识别模型新架构，基于 Conformer 与 CTC-AED 联合训练，引入无监督预训练与多阶段迁移学习，在实验室自有多语种测试集上将词错误率（WER）从 8.7% 降至 5.2%，推理延迟控制在 120ms 以内，达到实时交互要求。

• 提出轻量化超分辨率网络 SlimSRNet，通过结构重参数化与知识蒸馏将模型参数量压缩至 0.8M，在移动端实现 1080P→4K 实时推理（30fps），PSNR 达 31.2dB，成功集成至实验室多媒体中间件并授权 3 条业务线调用。

• 搭建端到端训练与推理流水线，将语音识别模型从 PyTorch 迁移至 ONNX 并利用 TensorRT 部署于 NVIDIA Triton，单卡吞吐量提升 3.2 倍，支撑日均百万级调用；同步完成超分模型向 CoreML/TFLite 的转换，端侧首帧延迟压缩在 80ms 以内。

• 联合工程团队将语音识别与超分能力封装为统一 SDK，通过自定义图优化与内存复用将峰值内存占用降低 42%，在 2 个月内推动 5 项内部产品完成集成验证，覆盖短视频创作与会议转写场景。

• 牵头内部技术分享与模型迭代评审，沉淀多媒体 AI 模型选型与部署规范，设计方案被后续 3 个跨团队项目直接复用，支撑实验室多媒体 AI 能力矩阵从单点算法向平台化演进。

• 为提升电商平台虚拟直播间的场景复杂度和沉浸感，主导设计并落地基于 Vulkan 的跨平台 3D 实时渲染引擎，引入 GPU-Driven 管线与 Draw Call 合并策略，将单场景可绘制的三角面数从约 20 万提升至 85 万，在中高端移动设备上稳定维持 60 FPS。

• 构建多路实时视频流与 3D 场景的高效异步合成管道，通过计算着色器在 GPU 端完成 YUV→RGB 转换与实时特效叠加，将端到端视觉延迟控制在 28ms 以内，完全消除主播感知的口型与画面不同步现象。

• 针对主流移动 GPU 架构进行深度图形优化，定制 Shader 变体并实施 Pipeline Cache 持久化与内存无锁复用，将引擎冷启动耗时缩减 45%，渲染内存占用降低 30%，显著减少了低端机型上的卡顿与闪退。

• 设计基于 RenderDoc 与自研 GPU Trace 工具的帧级诊断体系，精确定位跨平台纹理带宽热点，经针对性压缩和缓存调优后 GPU 带宽占用平均下降 25%，在双十一峰值期间支撑日均超 150 万场虚拟直播间的零渲染事故运行。

• 针对智能音箱在低功耗芯片上实现多命令词语音唤醒的核心需求，主导整体算法架构设计，基于 Kaldi 训练 TDNN 声学模型并搭建两级级联唤醒与指令识别管线。

• 为满足嵌入式设备严苛的资源与功耗限制，实施结构化剪枝、8-bit 量化及定点推理优化，将模型体积压缩至 600 KB、运行时内存控制在 1.5 MB 以内。

• 设计多麦阵列前端音频处理流程，融合自适应波束成形、动态增益控制与轻量 VAD，有效抑制家居噪声与电视串扰，大幅提升复杂场景下的唤醒鲁棒性。

• 带领 3 人团队跨部门协同，将唤醒/指令 SDK 成功交付 5 款智能音箱产品，实现 99.2% 唤醒率、日均误唤醒 ≤0.3 次，最终覆盖超 300 万台活跃设备。

• 针对云游戏端云协同链路中的视频编码与传输延迟瓶颈，主导设计基于NVIDIA Capture SDK的GPU零拷贝采集管线，并自研H.265低延迟码率控制策略，将1080p@60fps画面的端到端渲染延迟从82ms压降至34ms（降低58%），满足FPS类游戏交互体验要求。

• 为提升复杂网络下的图形交互可靠性，构建指令与视频流联合调度的自适应中间件，实现用户输入操作（触控/键鼠）的优先级插帧与丢帧补偿机制，使交互响应尾延迟（P99）从210ms降至47ms，弱网下可玩帧率保持率提升至98.5%。

• 牵头跨多媒体与传输架构团队的技术攻坚，将上述低延迟管道封装为面向业务的统一云游戏交互SDK，归一化支撑3款不同引擎（UE、Unity、自研）的游戏快速上云，SDK接入成本降低约60%，成功支撑首款商用云游戏业务在双端（iOS/Android）平稳上线。

• 设计图形指令差异化传输与渲染资源预加载方案，针对大纹理、复杂Shader等重载场景，实现云端渲染与本地指令流的按需分流，端侧首次交互加载耗时缩短至1.2秒以内，用户首帧体感流畅度提升显著，相关架构作为实验室云游戏中间件基线被长期沿用。

• 牵头设计并落地数字人语音驱动渲染管线，构建从实时语音流到面部 BlendShape 权重映射与肢体动作混合模型，实现端到端响应延迟降至160ms以内，支撑每日数十场品牌直播间的数字人互动。

• 针对移动与Web端功耗约束，引入音频特征稀疏化与反向动力学肢体解算相结合的策略，使得表情–动作协同帧率稳定在60fps，WebGL 端渲染资源占比降低35%，让数字人在低端设备上流畅运行。

• 主持多模态实时同步引擎研发，整合轻量化自定义动作捕捉中间件与音画同步校准机制，将语音关键事件到数字人肢体姿态的触发误差控制在±40ms，在头部电商平台年中大促期间完成了超200小时的无差错直播带货。

• 定义并落地数字人表情状态机与 BlendShape 形变热更新规范，支持运营人员无代码调整口型–表情映射，使新形象上线周期从天级压缩至小时级，快速响应频繁的直播IP变更需求。

• 主导设计基于 WebAudio 的三阶 Ambisonics 音频空间化 SDK，自研 HRTF 双耳渲染管线，在保证方位感知与距离感的同时将渲染延迟压缩至 42ms 以内，为直播连麦提供流畅的沉浸式语音体验。

• 针对万人直播间多用户并发场景，构建共享式音频处理管线与轻量级 Ambisonics 声场旋转算法，使单路空间化 CPU 占用率降至 9%，支撑服务端侧零掉帧分发。

• 抽象 SDK 层标准化 API，内嵌 Ambisonics 解码、个性化 HRTF 数据加载与距离衰减模型，将业务方接入成本从约 14 人天缩短至 2 人天，加速沉浸功能在多业务线铺开。

• 牵头完成主观听音测试与 HRTF 数据集迭代，将双耳定位准确率提升至 91%，SDK 成功交付某头部直播平台 Web 端，上线首月覆盖超 2500 名活跃主播。

算法与问题解决能力获得国际性竞赛认可

主导的云游戏图形中间件实现显著性能提升