Текст заказа
Вакансия компании: SYNCALL AI
Создана: 10.11.2026
Регион: Ташкент
Предполагаемый уровень месячного дохода: от 24 000 000 so'm
О компании и о роли
Syncall AI ищет Senior NLP Engineer, который будет отвечать за качество языковых и голосовых моделей для языков с малым количеством данных: от сбора и чистки датасетов до модели, работающей в продакшене.
Syncall делает два продукта на узбекском и русском: Voice Agent — голосового ИИ-оператора для звонков клиентам, и Analytics — речевую аналитику разговоров. Наши агенты принимают входящие звонки, напоминают о платежах и продают. С нами работают крупнейшие компании в банковской сфере, телекоме, страховании, финтехе и ритейле.
Вы станете ключевым человеком в ML-команде: будете выбирать подходы, ставить эксперименты и доводить LLM, STT и TTS до уровня, на котором им можно доверить реальные разговоры с клиентами.
Задачи
Файнтюн LLM под узбекский язык: continued pretraining, SFT, LoRA/QLoRA, при необходимости DPO и другие методы alignment.
Файнтюн и адаптация STT-моделей (Whisper, wav2vec2, Conformer и аналоги) под языки, акценты, диалекты и шумную телефонную речь.
Файнтюн TTS-моделей (VITS, XTTS, F5-TTS и аналоги): естественность, произношение, скорость синтеза.
Сбор, разметка и чистка данных: поиск открытых корпусов, синтетические данные, аугментации, работа с разметчиками.
Построение системы оценки качества: WER/CER для STT, MOS и разборчивость для TTS, бенчмарки и human eval для LLM.
Оптимизация инференса под продакшен: задержка, стоимость, квантизация, стриминг.
Выбор архитектурных решений и наставничество для middle- и junior-инженеров.
Обязательные требования
5+ лет в ML/NLP, из них 2+ года с LLM и/или речевыми моделями.
Подтверждённый опыт файнтюна LLM для низкоресурсных языков: вы можете показать результат (метрики до и после, публикацию, репозиторий, модель на Hugging Face или кейс из продакшена).
Практический опыт файнтюна STT-моделей и TTS-моделей, понимание их метрик и типичных проблем.
Уверенный Python и PyTorch; опыт с Hugging Face (transformers, datasets, PEFT), распределённым обучением (DeepSpeed, FSDP или аналогами).
Умение работать в условиях нехватки данных: transfer learning, кросс-языковой перенос, синтетические данные, аугментации.
Умение самостоятельно ставить эксперименты, честно оценивать результат и объяснять решения команде и бизнесу.
Будет плюсом
Навыки MLOps: пайплайны обучения и деплоя, трекинг экспериментов (MLflow, W&B), версионирование данных и моделей, мониторинг качества в продакшене.
Опыт сервинга моделей: vLLM, TensorRT-LLM, Triton, ONNX; квантизация и стриминговый инференс для голоса с низкой задержкой.
Опыт с Docker, Kubernetes, облачными GPU.
Опыт построения голосовых агентов (связка STT → LLM → TTS) и работы с телефонией.
Знание узбекского языка.
Публикации, open-source вклад или участие в сообществах по низкоресурсным языкам.
Условия
Зарплата: от 24 млн сум, итоговая сумма обсуждается по результатам собеседования.
Формат: фуллтайм в офисе.
Доступ к GPU для обучения и экспериментов.
Большое влияние на продукт: ваши модели напрямую определяют качество разговора с клиентом.
Как откликнуться
Пришлите резюме в Telegram и коротко опишите один проект по файнтюну LLM, STT или TTS для низкоресурсного языка: какие были данные, что сделали и какие метрики получили. Ссылки на GitHub, Hugging Face или статьи приветствуются.