مهندس هوش مصنوعی گفتاری | Speech AI Engineer

ما به دنبال یک مهندس هوش مصنوعی توانمند در حوزه گفتار هستیم تا به تیم تحقیق و توسعه ما بپیوندد. شما در این نقش بر روی مدل‌های تبدیل متن به گفتار (TTS)، تشخیص احساسات صوتی (SER) و یکپارچه‌سازی مدل‌های صوتی در چارچوب‌های یادگیری عمیق و مدل‌های زبان بزرگ چندوجهی (Multimodal LLMs) کار خواهید کرد. توانایی درک عمیق از داده‌های صوتی، طراحی مدل‌های پیشرفته و تسلط بر ابزارهای مدرن یادگیری ماشین، از ویژگی‌های کلیدی این نقش است.

الزامات تخصصی:

• تسلط کامل به مفاهیم یادگیری ماشین و یادگیری عمیق.
• تجربه عملی در توسعه مدل‌های TTS و SER.
• مهارت در کار با داده‌های صوتی و پردازش سیگنال گفتار.
• تسلط به یکی از فریم‌ورک‌های یادگیری مانند PyTorch یا TensorFlow.
• تجربه کار با فریم‌ورک‌های پیشرفته صوتی و یادگیری عمیق مانند:

1. ESPnetY؛
2. SpeechBrain؛
3. NVIDIA NeMo؛
4. OpenVoice؛

• درک صحیح از معماری مدل‌های مولد گفتار و ارزیابی کیفیت صوت.
• آشنایی با مدل‌های زبان بزرگ چندوجهی متن باز (Multimodal LLMs).

مزیت‌های ترجیحی:

• آشنایی با معماری‌های Transformer و مدل‌های Diffusion-Based در گفتار.
• تجربه در استفاده از مدل‌های LLM چندوجهی با ورودی صوتی.
• آشنایی با ابزارهای استقرار و توسعه نظیر FastAPI ،TorchServe و Docker.
• تجربه آموزش مدل‌ها بر روی GPU و سرورهای محاسباتی توزیع‌شده.
• آشنایی با ابزارهای A/B Testing و مانیتورینگ عملکرد مدل.

We are looking for an expert artificial engineer in the field of speech AI to join our research and development team. This role will work on text -to -text -to -speech (TTS) models, audio emotion detection (SER) and integration of audio models in deep learning frameworks and MultiModal LLMS. The ability to deeply understand the audio data, design advanced models, and master the modern machine learning tools are key features of this role.

Specialized requirements:
Full mastery of machine learning concepts and deep learning

Practical experience in developing TTS and SER models

Skill in work with audio data and speech signal processing

Mastered one of the learning frameworks like PyTorch or Tensorflow

Experience work with advanced voice frames and deep learning like:

ESPnet

SpeechBrain

NVIDIA NEMO

OpenVoice

A correct understanding of the architecture of speech -producing models and audio quality evaluation

Introduction to MultiModal LLMS Multi -Language Models

Preferred advantages:
Introduction to Transformer Architects and Diffusion-Based Models in Speech

Experience in using multicolored LLM models with audio input

Introduction to Deployment and Development Tools such as FastApi, Torchserve and Docker

Experience of Models Training on GPU and distributed computing servers

Introduction to A/B testing tools and model performance monitor