GigaChat Audio Pretrain Data Lead

ПАО «Сбербанк»

ЛокацияРоссия, Москва
ОтрасльИТ, интернет, телеком
СпециализацияМашинное обучение и ИИ
ЗанятостьПолный день
Формат работыОфис
Опубликовано 19 ноября 2026 г.

Pretrain — самый масштабный и затратный этап обучения GigaChat. Мы готовим мультимодальный претрейн следующего поколения моделей, и для аудио это задача нового масштаба: сотни миллионов часов записей нужно отобрать, разметить, очистить и превратить в interleaved-последовательности, где речь перемежается текстом. От этих данных напрямую зависит, насколько хорошо модель будет понимать речь на десятках языков. Мы ищем эксперта, который знает, какие аудиоданные двигают качество модели, и владеет всем стеком обработки речи: от детекции голосовой активности до распознавания и синтеза. Ему предстоит собрать из этого стека масштабируемые пайплайны, выстроить вокруг них команду и проверять результат экспериментами на обучении. Место работы: г Москва Требуемый опыт: От 3 до 6 лет Обязанности: * строить и оптимизировать data engine для audio pretrain: пайплайн от сырого аудио до interleaved-данных (речь + текст) для обучения мультимодальной модели * отвечать за ключевые компоненты пайплайна: детекцию речи (VAD), определение языка (LID), сегментацию и диаризацию, распознавание речи с таймстемпами, оптимизированное под каждый язык * обучать и дообучать собственные модели как компоненты пайплайна там, где готовые решения не дают нужного качества или скорости * использовать синтез речи, чтобы закрывать пробелы в данных: качественные тексты, малоресурсные языки, редкие домены * ставить эксперименты на подготовленных претрейн-данных: абляции смесей и этапов пайплайна, оценка влияния данных на метрики модели * оптимизировать пропускную способность и стоимость пайплайнов (GPU-часы на час аудио) * приоритизировать ручную разметку и полуавтоматическую обработку там, где это эффективнее полной автоматизации * нанимать и вести дата-инженеров и ML-инженеров Требования: * уверенное знание Python и PyTorch * опыт построения дата пайплайнов на больших объемах данных * опыт распределенной обработки данных (Spark, YT/MapReduce) и ускорения инференса (SGLang, vLLM, ONNX / TensorRT) * понимание задач обработки речи (VAD, LID, ASR, диаризация, выравнивание, TTS) и метрик их качества * понимание методов распределенного обучения и инференса Будет плюсом * опыт обучения речевых моделей * опыт работы с мультиязычными и малоресурсными языками * практический опыт обучения мультимодальных LLM

Зарплата

Не указано