Audio AI Engineer (human)

Hören ist entscheidend dafür, wie ein Roboter die Welt versteht und darauf reagiert. Bei NEURA Robotics ist Audio eine erstklassige Modalität: gesprochene Anweisungen, Kontaktgeräusche und Umgebungsgeräusche informieren alle über autonomes Handeln. Als Audio AI Engineer sind Sie für die Echtzeit-Audio-Pipeline des Roboters verantwortlich, für die Modelle, die Geräusche in Bedeutung umwandeln, und für die Sprachschnittstelle, die es den Menschen ermöglicht, mit unseren Humanoiden so zu sprechen, wie sie es mit einer anderen Person tun würden. Die Rolle kann den Schwerpunkt auf konversationelle KI, Audio-ML-Modellierung oder eingebettete Audio-DSP legen. Wir erwarten Tiefe in mindestens einem Bereich und Breite in den anderen; Sie werden dort führen, wo Sie am stärksten sind, und mit KI- und Hardware-Teams bei den anderen zusammenarbeiten.

Ihre Mission & Herausforderungen

• Voice Interaction Stack: Sie bauen und besitzen die Edge-to-Cloud-hybride automatische Spracherkennung, Text-to-Speech, Wake-Word, Sprachaktivitätsdetektion und natürliche Sprachverarbeitungs-Pipelines, die die menschliche Stimme mit dem kognitiven Kern unseres Roboters verbinden, optimiert für niedrige Latenz, Mehrsprecher-Szenarien und laute reale Umgebungen.
• Audio Encoder Research: Sie entwerfen, trainieren und integrieren Audio-Encoder, die unsere Grundmodelle speisen, und entwickeln die Erkennung von Umgebungs- und Kontaktakustikereignissen, die unserem Roboter situative Wahrnehmung verleiht.
• Real-Time Audio Pipeline: Sie entwerfen das gemeinsame Audio-Substrat von Mikrofonen bis zum Modelleingang - Akquisition, Rauschunterdrückung, Beamforming, Quelltrennung und enge Synchronisation mit Vision- und Propriozeptionstreams - und optimieren es für unsere Rechen- und Latenzbudgets auf dem Roboter.
• Models, Data & Evaluation: Sie bewerten, optimieren und implementieren modernste Modelle in der Sprach- und allgemeinen Audioverarbeitung, treiben die Datensammlung aus realen Einsätzen voran und bauen die Evaluierungsinfrastruktur auf, die Aufnahmen in messbare Modellverbesserungen umwandelt.
• Sensor Strategy & Integration: Sie helfen bei der Auswahl und Qualifizierung von Audiohardware (Mikrofonarrays, Kontakt- und taktile Mikrofone, ADC-Frontends) mit dem Hardware-Team, definieren Kalibrierungs- und Montageanforderungen und stellen eine saubere Integration mit den KI-, Hardware- und agentischen Stacks sicher.

Was wir erwarten können

• Ein hervorragender Master- oder Doktortitel in Informatik, Elektrotechnik, Computerlinguistik oder einem verwandten Bereich.
• 3+ Jahre Berufserfahrung im Bereich audio-bezogene KI-Engineering.
• Eine nachweisliche Erfolgsbilanz: Ihre Projekte zeigen messbare Auswirkungen, sei es durch Veröffentlichungen, ausgelieferte Systeme oder beides.
• Tiefe in mindestens einem der folgenden Bereiche, mit Neugier und Breite in den anderen:
• Konversationelle KI: ASR, TTS, NLP/NLU, Dialogsysteme, Echtzeitsysteme für Sprache mit LLMs.
• Audio-ML-Modellierung: Audio-Repräsentationslernen, multimodale / VLA-Grundmodelle mit einem Audio-Zweig, generatives Audio.
• Eingebettete Audio-DSP: Echtzeit-Signalverarbeitung, Mikrofonarray-Verarbeitung, Low-Level-Audio-I/O, quantisierte Inferenz für die Bereitstellung auf Geräten.
• Starke Programmierkenntnisse in Python; solide C/C++-Kenntnisse sind von Vorteil für Echtzeit- und Gerätearbeiten.
• Vertrautheit mit ROS oder Robotik-Middleware ist von Vorteil.
• Erfahrung mit agentischen Frameworks und LLM-Tool-Nutzung ist von Vorteil.
• Erfahrung mit Audio-Simulation, Raumakustik oder räumlichem Audio ist von Vorteil.
• Praktische Erfahrung beim Einrichten von Audioaufnahmegeräten für die ML-Datensammlung (Mikrofonwahl, Platzierung, Kalibrierung) ist wünschenswert.
• Teamgeist, Initiative und die Fähigkeit und Bereitschaft, neue Wege zu erkunden.
• Ausgezeichnete Englischkenntnisse; Deutsch ist optional, aber willkommen.