Senior Research Engineer - Voice Europe

Willkommen in der videozentrierten Welt. Von alltäglichen PowerPoint-Präsentationen bis hin zu Hollywood-Filmen wird KI die Art und Weise, wie wir Inhalte erstellen und konsumieren, transformieren. Heute möchten die Menschen sehen und hören, nicht lesen – sowohl zu Hause als auch bei der Arbeit. Trotz der klaren Vorliebe für Video wird die Kommunikation und Wissensweitergabe im Geschäftsumfeld nach wie vor von Text dominiert, da die Produktion von hochwertigem Video komplex und schwer skalierbar bleibt – bis jetzt.

Wir sind Synthesia. Wir haben es uns zur Aufgabe gemacht, Video für alle einfach zu machen. Unsere KI-Video-Kommunikationsplattform vereinfacht den gesamten Videoproduktionsprozess, sodass jeder, unabhängig von seinem Fähigkeitsniveau, hochwertige Videos erstellen, zusammenarbeiten und teilen kann. Ob für die Bereitstellung wichtiger Schulungen für Mitarbeiter und Kunden oder für das Marketing von Produkten und Dienstleistungen, Synthesia ermöglicht es großen Organisationen, schnell und effizient über Video zu kommunizieren und Wissen zu teilen. Wir werden von führenden Marken wie Heineken, Zoom, Xerox, McDonald’s und vielen mehr vertraut. Im Februar 2024 wurde G2 uns als das am schnellsten wachsende Unternehmen der Welt ausgezeichnet. Heute haben wir eine Bewertung von 2,1 Milliarden USD und haben kürzlich unsere Series D-Finanzierung abgeschlossen, was unser Gesamtfinanzierungsvolumen auf über 330 Millionen USD von erstklassigen Investoren bringt.

Was Sie bei Synthesia tun werden: Als Research Engineer werden Sie Teil eines Teams von über 40 Forschern und Ingenieuren innerhalb der F&E-Abteilung, die an bahnbrechenden Herausforderungen im Bereich der generativen KI arbeiten, mit dem Fokus auf die Erstellung hochwertiger, ausdrucksstarker und Echtzeit-synthetischer Stimmen. Innerhalb des Teams haben Sie die Möglichkeit, an der angewandten Seite unserer Forschungsanstrengungen zu arbeiten und direkt Einfluss auf unsere Lösungen zu nehmen, die weltweit von über 60.000 Unternehmen genutzt werden.

Wenn Sie ein Experte für ML LLMs Sprachgenerierung konversationaler Modelle sind, ist dies Ihre Chance, einen globalen Einfluss zu haben. Sie werden unserem Audio Post-Training Team beitreten, das an generativer Sprache und Sprachsynthese arbeitet und sicherstellt, dass unsere internen Sprachmodelle Produktionsqualität, Geschwindigkeit und Robustheit erreichen. Typische Projekte umfassen:

• Modelle für neue Bedingungseingaben (Emotion, Geschwindigkeit, Prosodie, Sprecherkontrolle usw.) anpassen.
• Sprachmodelle mit fortschrittlichen Techniken wie DPO (Direct Preference Optimization), LoRA und anderen parameter-effizienten Methoden verfeinern und optimieren, um die Sprachqualität und Ausdruckskraft zu verbessern.
• Post-Training-Optimierungstechniken (Quantisierung, Pruning, Distillation) implementieren, um Effizienz und Latenz in der Echtzeit-Sprachgenerierung zu verbessern.
• Neue Architekturen wie neuronale Codecs, Diffusion oder Flow-Matching-Modelle integrieren und testen, um Realismus und Reaktionsfähigkeit zu verbessern.
• Neue Bewertungsmetriken für TTS-Systeme entwerfen und implementieren, einschließlich automatisierter Mean Opinion Score (MOS)-Vorhersagemodelle zur kontinuierlichen Qualitätsbewertung.
• Aktuell bleiben mit den neuesten Forschungen in Audio-Diffusion, autoregressiven Modellen, neuronalen Codecs und multimodalen LLMs.

Was wir suchen:

• Starkes Verständnis von generativen Modellen, idealerweise angewandt auf sequenzielle oder multimodale Daten.
• Praktische Erfahrung mit großen Sprachmodellen (LLMs) oder ähnlichen transformer-basierten Architekturen.
• Hohe Kompetenz in PyTorch, einschließlich Erfahrung mit verteiltem Training und Modelloptimierung.
• Solides Verständnis von Zeitreihenmodellierung und Tokenisierung, vorzugsweise im Kontext von Audio oder Sprache.
• Nachgewiesene Fähigkeit, schnell Prototypen zu erstellen, Hypothesen zu testen und effizient zu iterieren.
• Erwiesene Erfahrung in der End-to-End-Ausbildung von Deep-Learning-Modellen, von der Datenvorbereitung bis zur Bewertung.
• Starke allgemeine Software-Engineering-Fähigkeiten, die Beiträge zu einer großen, gemeinsamen Forschungsinfrastruktur ermöglichen.

Wünschenswerte Erfahrungen:

• Vertrautheit mit modernen Architekturen in der Audio- und Sprachgenerierung (z.B. Diffusionsmodelle, neuronale Codecs, Flow-Matching-Modelle, autoregressive Decoder).
• Erfahrung mit Sprach-zu-Sprache- oder Text-zu-Sprache (TTS)-Systemen.
• Nachweis von originären Forschungsbeiträgen, wie Publikationen oder Open-Source-Arbeiten in erstklassigen Foren (z.B. ICASSP, Interspeech, NeurIPS, ICML).

Warum Sie sich uns anschließen sollten: Wir leben im goldenen Zeitalter der KI. Das nächste Jahrzehnt wird die nächsten ikonischen Unternehmen hervorbringen, und wir wagen zu sagen, dass wir das Zeug dazu haben, eines davon zu werden. Hier ist warum:

• Unsere Kultur: Bei Synthesia sind wir leidenschaftlich daran interessiert, zu bauen, nicht zu reden, zu planen oder zu politisieren. Wir streben danach, die klügsten, freundlichsten und unermüdlichsten Menschen einzustellen und ihnen zu ermöglichen, ihre beste Arbeit ohne Ablenkungen zu leisten.
• Über 50.000 Kunden (und 50 % der Fortune 500) vertrauen uns.
• Proprietäre KI-Technologie: Seit 2017 sind wir Vorreiter bei Fortschritten in der generativen KI.
• KI-Sicherheit, Ethik und Sicherheit sind grundlegend für unsere Mission.

Die guten Dinge…

• Wettbewerbsfähige Vergütung (Gehalt + Aktienoptionen + Bonus)
• Vollständig remote aus Europa oder hybrides Arbeitsumfeld mit einem Büro in London, Amsterdam, Zürich, München
• 25 Tage Jahresurlaub + Feiertage
• Tolle Unternehmenskultur mit der Möglichkeit, an regelmäßigen Planungen und sozialen Veranstaltungen in unseren Hubs teilzunehmen
• Weitere Vorteile je nach Standort