DL Engineer (Speech to Text)

Рады сообщить: Мы в поисках специалиста который будет работать над системами автоматического распознавания речи (ASR) и синтеза речи (TTS). Ожидается участие в выборе моделей, в обучении моделей, и в настройке пайплайнов для inference в реальном времени.

Будущие задачи:

• Разработка и оптимизация моделей ASR и/или TTS (на базе open-source и кастомных решений)

• Исследование и внедрение моделей на базе Whisper, NeMo, Vosk, FastSpeech, Tacotron и др.

• Обработка аудиоданных: препроцессинг, очистка, аугментации

• Оптимизация latency, обеспечение real-time inference

• Интеграция моделей в сервисы (API, gRPC, FastAPI)

• Мониторинг качества (WER, MOS и др.), A/B тестирование

• Обучение/Дообучение Моделей на данных

Требования:

• Опыт работы с задачами ASR и/или TTS в ML-продуктах

• Уверенное знание Python, PyTorch / TensorFlow

• Опыт с open-source решениями (Whisper, ESPNet, Mozilla TTS, Coqui, etc.)

• Знание алгоритмов работы с аудио: FFT, MelSpectrogram, MFCC и т.п.

• Навыки оптимизации inference (ONNX, quantization, streaming)

• Понимание задач real-time распознавания

• Опыт от 2-3 года в ML или DS проектах с голосом

Будет плюсом:

• Опыт развертывания моделей в реальном времени (в т.ч. на GPU / edge)

• Опыт с NeMo, HuggingFace Audio, Transformers (TTS/ASR модули)

• Работа с облачными STT/TTS API и кастомизация поверх них