ML-инженер (TTS / синтез речи)

Что предстоит делать

Добрый день! Мы — Sasha AI, пионеры в разработке голосовых AI-агентов. Наша платформа позволяет запустить искусственный интеллект, который общается с клиентами по телефону и приносит выручку без операторов. Мы выросли в 5 раз за год, а наша цель на 2026-й — оборот 400 млн ₽. Наша маленькая цель: сделать передовую AI-технологию простой, окупаемой и доступной каждому крупному бизнесу. Наша большая цель — за 10 лет построить монополиста, ассоциирующегося с искусственным интеллектом в России. Каждый звонок проходит через речевой пайплайн: распознавание речи, определение автоответчика, синтез голоса. От качества и скорости этих моделей зависит, будет ли разговор звучать естественно. В эту команду мы ищем junior ML-инженера.

• Владеть направлением TTS: определять техническую стратегию и роадмап, решать, что строим сами, а что берём из open-source, и защищать эти решения перед командой и бизнесом.
• Проектировать и обучать собственную модель синтеза под наши требования: диалоговая русская речь, стриминг, телефонный канал, масштаб в тысячи одновременных звонков.
• Добиваться человеческого звучания:
• просодия и управление интонацией с учётом контекста диалога;
• эмоции, паузы, филлеры, разговорный стиль.
• Отвечать за latency и стоимость: time-to-first-audio в десятки миллисекунд, высокая плотность потоков на GPU, архитектура инференса вместе с backend- и MLOps-командами.
• Строить data-стратегию: сбор и разметка данных, работа с дикторами, пайплайны фильтрации и выравнивания на больших объёмах, использование данных из реальных звонков.
• Развивать voice cloning и кастомные голоса для клиентов, включая юридические и этические рамки.
• Выстроить систему оценки качества, связанную с продуктовыми метриками: MOS/CMOS, автоматические метрики, A/B-тесты на живых звонках, влияние голоса на доходимость и конверсию.
• Нанимать и развивать команду: менторить middle и junior-инженеров, проводить код-ревью и задавать инженерные стандарты.

Что ждём от вас

• Опыт от 5 лет в ML, из них от 3 лет в TTS или генерации речи.
• TTS-системы, которые вы вывели в продакшен под реальной нагрузкой и за качество и latency которых отвечали.
• Глубокое понимание современных подходов:
• LLM-based TTS и нейрокодеки: EnCodec, DAC, Mimi, SNAC;
• flow matching и диффузионные модели;
• non-autoregressive архитектуры и вокодеры.
• Опыт обучения моделей с нуля, а не только fine-tuning: дизайн архитектуры, масштабирование данных и вычислений, отладка нестабильного обучения.
• Опыт оптимизации инференса: стриминг, батчинг, квантизация, TensorRT, Triton, vLLM или аналоги, профилирование на GPU.
• Сильная экспертиза в русском языке для синтеза: нормализация, ударения, омографы, G2P.
• Умение формулировать исследовательские гипотезы, быстро их проверять и принимать решения на основе метрик.
• Опыт технического лидерства или менторства.
• Будет плюсом
• Опыт speech-to-speech и full-duplex моделей, а также диалоговых систем реального времени.
• Опыт с zero-shot voice cloning и контролем стиля и эмоций.
• Публикации (Interspeech, ICASSP, NeurIPS и др.) или заметные open-source проекты в области TTS.
• Опыт с телефонией и кодеками.
• Опыт мультиязычного синтеза.
• Опыт построения ML-команды с нуля.

Что предлагаем