Speech AI Engineer

توضیحات

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.