Senior AI/ML Researcher (Speech & LLM: ASR, TTS, Voice AI)

О нас

Мы делаем голосовой AI для бизнеса. Наши модели каждый день разговаривают с абонентами в реальном времени. Мы резиденты «Сколково» и никогда не останавливаемся на достигнутом.

Мы трансформируемся в AI-native компанию. AI для нас не только продукт, но и способ работать: исследования, разработку и операционку мы постепенно отдаём агентам, а люди занимаются тем, что агентам пока не под силу. Поэтому мы ждём, что каждый в команде строит такую автоматизацию вокруг своей работы.

Кого мы ищем

Исследователя уровня Senior, который хорошо разбирается в речи и LLM и умеет доводить идеи до продакшн. Вы будете развивать голосовой стек: распознавание, синтез, LLM и голосовых агентов, которые ведут диалог с абонентом в реальном времени. Нам важно, чтобы вы следили за тем, что происходит в генеративном AI, быстро проверяли новые идеи и превращали лучшие из них в решения, которые выдерживают нагрузку операторского масштаба.

Работаем удалённо. Если хочется в офис, он есть в Москве у м. Динамо.

Чем предстоит заниматься

• Искать и внедрять SOTA-подходы в ASR, TTS и LLM. Например: лучше распознавать речь в узком телефонном канале, снижать задержку в стриминге, поддерживать low-resource языки, делать синтез естественнее.

• Воспроизводить свежие статьи: реализовывать методы, обучать модели и проверять, как они работают на наших данных.

• Собирать голосовых агентов на связке ASR → LLM → TTS с минимальной задержкой и исследовать end-to-end и speech-to-speech подходы.

• Делать стриминговый ASR на современных архитектурах (Conformer, transducer-модели, Whisper, доработанный под стриминг) с шумоподавлением и адаптацией под телефонный канал.

• Развивать нейросетевой синтез речи: интонацию, эмоции, клонирование голоса, стриминговый TTS.

• Обучать модели ASR и TTS для русского и low-resource языков.

• Применять LLM в виртуальных ассистентах и антиспаме: дообучать (в том числе через RLHF и DPO), строить RAG и tool calling, оценивать качество и безопасность ответов.

• Ускорять инференс: квантизация, дистилляция, KV-cache и батчинг для LLM, оптимизация под GPU и CPU, перенос критичных частей с Python на C++.

• Автоматизировать свою работу: строить агентов и пайплайны между ними для экспериментов, анализа данных, оценки моделей и рутины.

• Влиять на архитектуру AI-решений и выбор технологий.

• Тестировать модели под нагрузкой, интегрировать и масштабировать их в продуктах.

Что для нас важно

• Обязательно: вы уже строите AI-инфраструктуру вокруг своей работы. Используете агентов, связываете их в пайплайны и автоматизируете то, что раньше делали руками. У нас так работает каждый, поэтому на это мы смотрим в первую очередь.

• От 5 лет коммерческого опыта в ML/AI, от 3 лет в речевых технологиях (ASR и/или TTS).

• Вы работали с современными архитектурами для речи: трансформеры, Conformer, Whisper, нейросетевой TTS (VITS, FastSpeech, диффузионные и flow-matching модели, нейрокодеки).

• У вас есть практический опыт с LLM: fine-tuning (LoRA/PEFT), пайплайны на базе LLM (RAG, агенты), развёртывание и оптимизация инференса (vLLM, TensorRT-LLM или аналоги). Вы понимаете, как устроены внимание и KV-cache, стратегии декодирования (sampling, beam search, speculative decoding) и архитектура Mixture of Experts (MoE), включая её обучение и инференс.

• Вы дообучали LLM методами RLHF и DPO.

• У вас есть исследовательский опыт: вы ставили эксперименты, разбирали научные статьи, обучали модели с нуля.

• Вы выводили модели в продакшен в высоконагруженных системах, где важна задержка.

• Вы глубоко знаете Python и ML-стек: PyTorch, ONNX, OpenVINO, Triton Inference Server, pytest.

• Уверенно пишете на C++, когда нужно ускорить критичные компоненты.

• Знаете аудиобиблиотеки (librosa, torchaudio) и speech-фреймворки (Kaldi, NVIDIA NeMo, ESPnet и др.). Понимаете теорию обработки речи и физику звука: динамическое программирование (Viterbi, DTW, CTC/RNN-T), beam search, в том числе с внешней языковой моделью, WFST, цифровую обработку сигналов (STFT, мел-спектрограммы, фильтрация).

Будет плюсом

• Опыт с мультимодальными и audio-LLM, speech-to-speech моделями.

• Публикации, доклады, open-source или соревнования по speech/NLP/GenAI.

• Опыт в телекоме.

Скорее всего, мы подойдём друг другу, если

• Вам интересно работать в неопределённости, когда задача приходит в виде проблемы, а не пошаговой инструкции.

• Вы сами решаете, что делать дальше: формулируете гипотезы, предлагаете решения и доводите их до результата, не дожидаясь, пока вам распишут план.

• Вам важно, чтобы модель заработала у оператора на живых звонках, а не только показала хорошую метрику в ноутбуке.

• Рутину вам хочется автоматизировать, а не терпеть.

• Вы спокойно относитесь к смене приоритетов и быстро переключаетесь.

Скорее всего, мы не подойдём друг другу, если

• Вы рассчитываете на подробное ТЗ и чёткие инструкции, что, куда и как делать. У нас их часто нет: задачу нужно уметь уточнить и разложить самостоятельно.

• Вам комфортнее работать в режиме «жду, когда поставят задачу». Это нормальный стиль, и во многих крупных компаниях работа устроена именно так, но у нас иначе.

• Вы не готовы менять привычные способы работы и не видите смысла в AI-инструментах для себя.

• Вам интересно исследование ради исследования, без доведения результата до продукта.

Что мы предлагаем

• Фиксированную зарплату и годовую премию по результатам. Уровень дохода обсуждаем с финальным кандидатом.

• Удалённую работу или офис у м. Динамо, как вам удобнее.

• Гибкий график: время начала дня вы согласуете с руководителем.

• Оформление по ТК РФ.

• ДМС после испытательного срока (3 месяца).