Machine Learning Engineer — Voice Conversion

Описание

Cantina ищет Research / ML-инженера в команду Speech для разработки современных речевых систем end-to-end — от спецификации данных до продакшн-инференса.

Обязанности

• Выстраивать цикл «модель — данные — оценка» для задач voice conversion и смежных направлений (управляемый TTS, дизайн голоса и др.)
• Участвовать в проектировании и анализе экспериментов
• Разрабатывать инструменты для повышения продуктивности команды
• Работать со всем стеком — от низкоуровневых оптимизаций до высокоуровневого проектирования моделей
• Определять требования к данным и взаимодействовать по вопросам их сбора, обработки и стратегий синтетических данных
• Разрабатывать объективные и субъективные методы оценки (включая тесты прослушивания, метрики SV/WER/ASR, проверки устойчивости и предвзятости, red-team-исследования)
• Доводить пайплайны обучения, оценки и инференса до производственных SLA с мониторингом и возможностью отката
• Участвовать в создании механизмов безопасности, согласия и предотвращения злоупотреблений для ответственных речевых технологий

Требования

• Значительный опыт разработки крупномасштабных аудиомоделей (более 8 млрд параметров, свыше 500 тыс. часов данных)
• Глубокая практическая экспертиза в диффузионных моделях и/или flow-matching-трансформерах (сэмплеры, расписания, механизмы условий, дистилляция)
• Опыт обучения аудио-VAE, нейронных аудиокодеков, вокодеров, проектирования латентных представлений/токенизаторов, работы с перцептивными целевыми функциями и состязательным обучением
• Навыки распределённого обучения на нескольких узлах и GPU (FSDP/DeepSpeed или аналоги)
• Сильные навыки программной инженерии и опыт создания сложных систем
• Уверенное владение PyTorch, оптимизация производительности (профилирование, CUDA/Triton/C++ при необходимости), написание надёжного продакшн-кода
• Опыт вывода в продакшн крупномасштабных речевых, аудио- или мультимодальных генеративных моделей
• Работа с большими ML-датасетами, умение оценивать качество через сочетание субъективных и объективных сигналов
• Опыт в клонировании голоса, управлении речью/управляемости или генерации выразительной речи
• Наличие публикаций и/или вклада в open-source в области речи, аудио или ML