Junior ML Engineer (Speech: ASR / TTS / AMD)

Добрый день!

Мы — Sasha AI, пионеры в разработке голосовых AI-агентов. Наша платформа позволяет запустить искусственный интеллект, который общается с клиентами по телефону и приносит выручку без операторов.

Мы выросли в 5 раз за год, а наша цель на 2026-й — оборот 400 млн ₽.

Наша маленькая цель: сделать передовую AI-технологию простой, окупаемой и доступной каждому крупному бизнесу.

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

Каждый звонок проходит через речевой пайплайн: распознавание речи, определение автоответчика, синтез голоса. От качества и скорости этих моделей зависит, будет ли разговор звучать естественно. В эту команду мы ищем junior ML-инженера.

Чем предстоит заниматься

• ASR: дообучать и оценивать модели распознавания русской речи на телефонном аудио (8 кГц, шумы, перебивания). Считать WER/CER и разбирать ошибки.
• TTS: улучшать естественность и скорость синтеза, работать с голосами, ударениями и нормализацией текста (числа, адреса, телефоны).
• AMD (Answering Machine Detection): отличать живого человека от автоответчика, голосовой почты и IVR за первые секунды звонка.
• VAD и turn-taking: определять конец реплики и перебивания, чтобы агент не молчал и не говорил поверх собеседника.
• Собирать и размечать датасеты из реальных звонков, строить пайплайны предобработки аудио.
• Оптимизировать инференс (latency, стриминг, ONNX/TensorRT, квантизация) вместе с backend-командой.
• Ставить эксперименты, сравнивать open-source модели и честно докладывать результаты.

Что мы ждём

• Уверенный Python и опыт с PyTorch.
• Понимание основ ML/DL: функции потерь, переобучение, метрики, валидация.
• Базовые знания цифровой обработки звука: частота дискретизации, спектрограммы, mel, MFCC.
• Опыт хотя бы с одной речевой моделью или фреймворком: Whisper, GigaAM, NeMo, ESPnet, wav2vec2, Vosk, VITS, XTTS, Silero или похожие. Подойдут и пет-проекты, курсовые, Kaggle.
• Умение работать с Linux, git и GPU-окружением.

Будет плюсом

• Опыт стримингового ASR или TTS с низкой задержкой.
• Знакомство с телефонией: SIP, кодеки G.711/Opus, особенности 8 кГц аудио.
• Опыт классификации аудио: AMD, VAD, speaker/emotion recognition.
• Опыт с ONNX Runtime, TensorRT, Triton, vLLM.
• Понимание LLM-агентов и того, как ASR → LLM → TTS складывается в диалоговую систему.
• Публичные проекты на GitHub, статьи, хорошие места в соревнованиях.

Что мы предлагаем

• Реальные задачи в продакшене: ваши модели будут работать в тысячах живых звонков, а эффект будет виден в метриках.
• Доступ к GPU и реальным данным для обучения.
• Небольшая команда без лишней бюрократии: идеи быстро доходят до продакшена.