Middle ML Engineer TTS

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.

Голос — первое, что слышит клиент. Если синтез звучит роботом, неправильно ставит ударение или отвечает с задержкой, человек кладёт трубку. Мы ищем инженера, который возьмёт на себя синтез речи в нашем каскаде STT → LLM → TTS: от данных и дообучения до быстрого инференса и мониторинга в продакшене.

Чем предстоит заниматься

• Дообучать современные TTS-модели под русскую диалоговую речь, в первую очередь LLM-based, LoRA/QLoRA, full fine-tuning, выравнивание по предпочтениям (DPO) для естественности звучания.
• Строить пайплайны данных для обучения:
  • сбор аудио из реальных звонков и студийных записей;
  • очистка, сегментация, выравнивание текста и аудио;
  • фильтрация по качеству, автоматическая разметка.
• Развивать фронтенд синтеза: нормализация текста (числа, даты, адреса, телефоны), ударения и омографы, G2P.
• Оптимизировать инференс: квантизация, стриминговый синтез, минимальное время до первого звука, высокая плотность потоков на GPU (vLLM, ONNX, TensorRT).
• Встраивать TTS в каскад: стыковка с LLM (формат ответа, стриминг по токенам), обработка перебиваний, адаптация к телефонному каналу (8 кГц, G.711/Opus).
• Строить наблюдаемость синтеза в продакшене: трейсинг через OpenTelemetry, метрики latency и RTF в Prometheus, дашборды в Grafana, отлов деградаций.
• Выстраивать оценку качества:
  • MOS/CMOS-тесты;
  • автоматические метрики (UTMOS, CER через ASR, speaker similarity);
  • регрессионные прогоны;
  • связь с доходимостью разговоров.
• Создавать новые голоса и адаптировать синтез под клиентов (voice cloning).

Что мы ждём

• Коммерческий опыт от 1 года в ML и дообученные модели, доведённые до продакшена.
• Опыт дообучения трансформерных или LLM-моделей: LoRA/QLoRA, SFT, желательно DPO.
• Уверенный Python, PyTorch, Hugging Face (Transformers, PEFT).
• Опыт квантизации и оптимизации моделей под ограниченные ресурсы и низкую задержку.
• Умение собирать и валидировать датасеты для обучения.
• Понимание, как устроен голосовой каскад STT–LLM–TTS и где в нём теряется время.
• Опыт с Docker, CI/CD, развёртыванием и мониторингом ML-сервисов.
• Желание глубоко погрузиться в синтез речи.

Будет плюсом

• Опыт работы с TTS-моделями: обучение, дообучение или интеграция в продукт.
• Понимание нейрокодеков (EnCodec, DAC, SNAC, Mimi) и вокодеров (HiFi-GAN, Vocos).
• Базовые знания цифровой обработки сигналов: спектрограммы, mel, частота дискретизации.
• C++ для оптимизации критичных по производительности компонентов, опыт потоковой обработки данных.
• Опыт с Airflow, ClickHouse, Kafka для работы с большими объёмами аудио и метаданных.
• Сильная математическая или физическая база.

Что мы предлагаем

• Синтез речи, который ежедневно звучит в тысячах живых разговоров, и видимый эффект в конверсии.
• Полный цикл: данные → обучение → оптимизация → продакшен → мониторинг.
• GPU и реальные данные для экспериментов.
• Небольшую команду без бюрократии и быстрый путь от идеи до релиза.
• Возможность вырасти до senior и взять направление TTS целиком.