Bitmanager.ai — это стартап в области ИИ, работающий в одной из самых быстрорастущих сфер: разговорные ИИ-агенты.
Мы создаем платформу для голосовых и текстовых ИИ-агентов, используемых в продажах, поддержке клиентов, консалтинге и взыскании долгов. Наши агенты ведут диалоги, работают с клиентскими данными, совершают звонки с использованием инструментов и взаимодействуют с корпоративными системами.
Мы ищем сильного инженера по речи, который возьмет на себя ответственность за ASR или TTS, разработку многоязычных голосовых возможностей и обеспечит надежную работу речевых сервисов в продакшене.
Цель ясна: агент, который понимает говорящего, быстро отвечает и звучит естественно на всех поддерживаемых языках.
Обязанности
- Взять на себя ответственность и разработать либо потоковое распознавание речи (ASR), либо синтез речи (TTS), включая поддержку языков с малыми ресурсами.
- Измерять и сокращать сквозную задержку от момента окончания произнесения пользователем фразы до первого аудиоответа.
- Улучшить качество ведения диалога в реальном времени: определение конца фразы, паузы, прерывания и естественная смена собеседников.
- Решать специфические для телефонии задачи, такие как аудио в узкой полосе частот, потоковая передача, эхо, потеря пакетов и реальные записи звонков.
- Дообучать и адаптировать речевые модели совместно со специалистами по данным и лингвистами.
- Создавать системы оценки, объединяющие офлайн-метрики, сквозное тестирование звонков и проверки регрессии.
- Отвечать за качество продакшена GPU-ускоренных речевых сервисов, включая развертывание, мониторинг, расследование инцидентов и анализ первопричин.
- Определять техническое направление, проводить ревью кода, поддерживать других инженеров и участвовать в локальном развертывании у клиентов.
Обязательные квалификации
- Уверенные навыки работы с Python и опыт создания продакшн-сервисов, а не только исследовательских скриптов.
- Практический опыт работы с ASR и/или TTS, включая интеграцию моделей, развертывание и эксплуатацию в продакшене. Опыт, ограничивающийся только исследованиями или обучением моделей, недостаточен.
- Понимание обработки потокового аудио, чанкинга, буферизации, источников задержек и ограничений реального времени.
- Опыт работы с PyTorch, GPU-инференсом и оптимизацией производительности.
- Способность определять метрики качества, создавать наборы данных для оценки и отличать значимые улучшения от шума.
- Опыт работы в продакшене с Docker, логированием, мониторингом и отладкой проблем, возникающих только в живых системах.
- Способность самостоятельно определять техническое направление и принимать решения при неполной информации.
- Сильные коммуникативные навыки и способность работать с продуктовыми командами, лингвистами, инженерами по инфраструктуре и техническими командами клиентов.
- Профессиональное владение русским и английским языками.
- Готовность регулярно работать из нашего московского офиса. Полностью удаленная работа может быть рассмотрена в исключительных случаях для кандидатов, находящихся в часовом поясе, близком к московскому.
Опыт работы с голосовыми агентами не требуется. Сильные фундаментальные знания в области инженерии речи, зрелость в продакшене и способность понимать и улучшать существующий пайплайн более важны.
Желательно
- Опыт работы с телефонией: SIP, RTP, кодеки, эхоподавление или аудио 8 кГц.
- Опыт создания голосовых агентов или диалоговых систем в реальном времени.
- Опыт работы с VAD, определением конца фразы и обработкой прерываний.
- Опыт дообучения TTS-моделей с использованием SFT или LoRA, или работа с клонированием голоса на основе эталона.
- Опыт работы с многоязычными речевыми моделями и языками с малыми ресурсами.
- Опыт оптимизации инференса: батчинг, квантизация, ONNX, TensorRT или vLLM.
- Опыт развертывания ML-сервисов локально в корпоративных средах.
- Опыт интеграции LLM в пайплайны голосовой связи в реальном времени.
Если вы хотите отвечать за то, как ИИ-агент слышит, отвечает и звучит в реальных разговорах — а не просто улучшать офлайн-метрику — мы будем рады с вами познакомиться.
