Senior ML Engineer (TTS)

Добрый день!

Компания Sasha AI - текущие резиденты Сколково, пионер в разработке голосовых AI-агентов для бизнеса. Мы развиваем лидогенерационную платформу, которая позволяет компаниям за 20 минут запустить искусственный интеллект, способный генерировать лидов работая с клиентской базой по телефону. Наши AI-агенты уже помогают таким компаниям как МТС, Т-Банк, Синергия увеличивать выручку без найма сотрудников.

За последний год мы выросли в 5 раз и достигнем оборота в 300 млн рублей в 2026 году.

Наша маленькая цель - сделать технологию простой, окупаемой и доступной каждому крупному бизнесу в России.

Наша большая цель - за 10 лет построить монополиста, ассоциирующегося с искусственным интеллектом в России.

Сейчас ищем ML-инженера, который будет развивать у нас TTS — собственный стек синтеза речи, быстрый и естественный, чтобы звучал неотличимо от живого оператора.

Как у нас все устроено:

• маленькая команда, общаемся в тг и на созвонах, иногда встречаемся офлайн;
• работать можно в удобное время
• задачи короткие: гипотеза → эксперимент → метрики → прод;
• продукт живой, результат своей работы слышно в реальных звонках уже через пару дней;
• решения принимаем быстро, без согласований на три недели;
• если модель обогнала прод — катим.

Данных с реальных звонков много, разметка и подсчёт метрик постепенно автоматизируются. Есть бюджет на GPU и эксперименты.

Обязанности:

• улучшать модели синтеза;
• обгонять текущий прод по метрикам (MOS, CMOS, SBS, латенси);
• помогать внедрять модели в рантайм;
• снижать TTFB и общую задержку — для телефонии это критично;
• заниматься проектами: voice cloning, управление интонациями, эмоциями, стриминг, low-resource;
• фантазировать, экспериментировать, читать статьи;
• рассказывать о найденном команде и в блоге.

Требования:

• python, алгоритмы, математика;
• знания в DL, особенно про звук;
• опыт обучения моделей для прода;
• понимание современных TTS-архитектур (FastSpeech, VALL-E, XTTS, F5, CosyVoice и т.п.);
• кругозор (nlp, лингвистика, фонетика, DSP — всё, что имеет отношение к речи).

Будет плюсом:

• c++;
• опыт оптимизации инференса (ONNX, TensorRT, квантизация, стриминг);
• опыт с реалтайм-аудио и телефонией (8 kHz, кодеки);
• публикации, pet-проекты, open-source.

Условия:

• задачи, по которым в рунете мало кто имеет опыт;
• небольшая команда без бюрократии;
• фидбек и возможность увидеть результаты своей работы в продукте сразу;
• оформление по ТК РФ, ИП или самозанятость — как удобно;
• удалёнка, гибкий график;
• зарплата обсуждается на интервью.

Если откликается — напишите пару слов о себе и приложите резюме. Будет здорово увидеть ссылки на демо синтеза, который вы обучали, GitHub или статьи.