Etteplan
Speech Data Engineer – Data Sourcing, Vendor Management & Python (M/F/NB)
Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.
Data-инженер в команду клиента, разрабатывающего локальную on-device аудио AI-технологию. Отвечает за полный цикл работы с корпусами шепотной и беззвучной речи: выбор и управление поставщиками данных, протоколы записи, контроль качества, лицензирование и GDPR.
Задачи
- Позиционирование и закупка речевых датасетов у внешних подрядчиков: выбор поставщиков, SOW, стандарты приемки, графики поставок и бюджеты
- Формирование спецификаций панелей с балансом по возрасту, полу, акценту и типу голоса, проверка поставок на соответствие
- Контроль справедливой оплаты и информирования участников записи
- Написание протоколов записи для каждого языка: наборы текстов, длительность сессий, инструкции для дикторов
- Определение матрицы захвата (устройства, типы микрофонов, дистанция, условия шума)
- Оценка масштаба коллекций: число дикторов, часы, баланс и стоимость
- Построение и поддержка пайплайна приема данных с автоматической валидацией частоты дискретизации, каналов, клиппинга, громкости, SNR, VAD и выравнивания
- Поддержание схемы метаданных для множества языков, поставщиков и оборудования
- Версионирование датасетов, release notes и воспроизводимые разбиения без утечки дикторов
- Установка и контроль критериев приемки каждой партии, включая требования доработок
- Проведение экспертных сессий прослушивания и мониторинг дрейфа между партиями, поставщиками и локациями
- Обеспечение воспроизводимости процесса, чтобы добавление нового языка было вопросом конфигурации
- Управление моделью согласий: явные, целевые, документированные и отзываемые согласия (голос — биометрия по GDPR)
- Обеспечение лицензий на все планируемые коммерческие применения и ведение прослеживаемой документации прав
- Ведение реестра provenance для каждого образца: кто, когда, на каком согласии и лицензии, для каких целей
- Ответственность за хранение, удаление и стирание данных, включая последствия отзыва согласия для обученной модели
- Участие в DPIA и работа с регуляторными консультантами по условиям сбора и EU AI Act
- Перевод потребностей моделей в спецификации коллекций, замыкание цикла от релиза датасета до результатов оценки моделей
Требования
- Не менее 4 лет опыта в data engineering, операциях с речевыми данными или управлении корпусами, включая хотя бы один самостоятельно проведенный проект сбора от начала до конца
- Практический опыт работы с аудиоданными в большом масштабе: форматы, частоты дискретизации, громкость, выравнивание и метаданные
- Свободное владение Python и умение самостоятельно писать скрипты
- Подтвержденный опыт управления поставщиками: привлечение и контрактование партнеров по сбору данных, SOW, бюджеты, критерии приемки и сложные переговоры при несоответствии партии
- Знание GDPR в части биометрических и голосовых данных, свободная ориентация в лицензировании данных и правах на них
- Готовность отказываться от коротких путей, угрожающих возможности лицензирования корпуса
- Умение координировать работу в разных культурах и надзирать за коллекциями на незнакомых языках через поставщиков и локальных координаторов
- Умение писать так, чтобы по этому могли работать другие: протоколы, критерии приемки и release notes
- Готовность к редким командировкам к поставщикам
Условия
- Работа над нерешенной задачей сбора шепотной и беззвучной речи в высоком качестве и большом масштабе
- Полная ответственность за датасет от начала до конца и видимый вклад в результаты моделей
- Короткий путь от работы до готового продукта: SDK клиента попадает в потребительские устройства
- Небольшая команда, работа за одним столом с исследователями и CPO
- Возможность влиять на решения по данным напрямую
- Процесс рекрутинга: CV на английском с финансовыми ожиданиями, формой сотрудничества и доступностью; удаленное интервью около 1.5 часа; обратная связь в течение 2 недель
Навыки
- Python
- аудио-пайплайны
- метаданные
- версионирование датасетов
- обработка аудио
- VAD
- SNR
- GDPR
- EU AI Act
- DPIA
- лицензирование данных
- provenance
- WER
- MOS
- MUSHRA