ML-разработчик в команду данных синтеза речи

Команда синтеза речи делает такие продукты Яндекса, как перевод видео, аудиокниги, голос Алисы.

В синтезе наступила эпоха перехода от low resource (даже для основных языков) к большим данным и претрейнам. Новые модели позволяют спеть известные песни вашим голосом и произнести любую фразу всего по нескольким секундам записи вашего голоса. Основа качества этих моделей — сотни тысяч часов качественных аудиоданных и текстов для них, которые нам предстоит собрать.

Мы ищем опытного дата-инженера в команду данных для синтеза речи.

Какие задачи вас ждут

Работа с данными
Вам предстоит разрабатывать систему хранения действительно больших данных и доступа к ним для ML-разработчиков. В вашем распоряжении будут петабайты аудио, которые необходимо эффективно хранить и уметь быстро обрабатывать.

Майнинг данных
Вы будете улучшать пропускную способность текущих пайплайнов сбора данных и масштабировать их для поддержки множества языков, работать с разнородными источниками и разрабатывать процессы майнинга аудиоданных.

Оценка качества данных
Вам нужно будет работать с процессами оценивания параметров данных, разрабатывать и применять ML-модели детекции шума, музыки, нескольких голосов, синтетической речи, несовпадения текста и аудио, детекции языка. Эти оценки позволят отфильтровать данные и сделать наш синтез лучшим в мире.

Мы ждем, что вы

• Строили пайплайны сбора данных для ML
• Применяли на практике (а ещё лучше — обучали) ML-модели
• Пишете на Python
• Понимаете, как работать с большими объёмами данных
• Мотивированы и готовы глубоко погружаться в область