La problématique

Les modèles de reconnaissance vocale standards sont entraînés pour de l'anglais classique et épuré. Nos utilisateurs parlent des dizaines de dialectes africains et du Moyen-Orient, sur des lignes bruyantes, en alternant les langues en plein milieu d'une phrase. Combler le fossé entre un modèle qui fonctionne en démo et un modèle qui fonctionne pour eux, c'est là tout notre travail. Vous orchestrerez le fine-tuning qui résoudra ce problème : prendre les modèles de base linguistiques et vocaux pour qu'ils comprennent réellement nos utilisateurs et leur paraissent naturels.

Pourquoi c'est un défi ici

Nous évoluons sur un territoire de données fragmentaires et complexes. Pour une grande partie des dialectes qui nous intéressent, le corpus d'entraînement propre idéal n'existe pas. C'est donc vous qui allez le concevoir : recherche de sources, nettoyage, labellisation et augmentation de l'audio, puis exécution des fine-tunes pour prouver qu'ils améliorent les métriques clés. Nous visons un taux d'erreur de mots (WER) optimal sur un accent réel, pas seulement sur un benchmark. Une fluidité qu'un locuteur natif validerait sans hésiter. Vous naviguerez en permanence au carrefour des données, des cycles d'entraînement et des phases d'évaluation.

Vos responsabilités

• Entraîner et fine-tuner les modèles STT et TTS (et si nécessaire, la couche linguistique) pour nos dialectes cibles et leurs conditions acoustiques spécifiques

• Piloter le pipeline de données d'entraînement : recherche de sources, nettoyage, labellisation et augmentation pour les langues à faibles ressources

• Garantir une évaluation de confiance : WER sur des flux audio réels, naturalité, robustesse face au bruit et à l'alternance codique

• Réinjecter les performances de production réelles dans les cycles d'entraînement suivants

Le profil que nous recherchons

• Une solide expérience en ML appliqué, avec des modèles que vous avez vous-même fine-tunés et déployés en production

• Une expertise pratique de la voix : ASR/STT et/ou TTS, ainsi que la stack d'entraînement associée (PyTorch, etc.)

• Une expérience concrète des aspects opérationnels essentiels : collecte, nettoyage et labellisation de données audio complexes

• Une grande rigueur en matière d'évaluation, en particulier lorsque les benchmarks standard ne reflètent pas la réalité de vos utilisateurs

• La capacité à piloter le cycle de vie d'un modèle de bout en bout et à déployer rapidement malgré des données imparfaites

Les plus

• Expérience sur les langues à faibles ressources, le multilinguisme ou le traitement de la parole multi-dialecte

• Maîtrise des architectures vocales modernes (famille Whisper, speech-to-speech, TTS neuronal)

• Sensibilité aux contraintes de latence et de dimensionnement pour le déploiement de ces modèles en temps réel

• Un réel intérêt pour les marchés émergents ou les technologies vocales

Le cadre de travail

Vous travaillerez en collaboration directe avec notre CTO au sein d'une équipe d'environ 10 personnes qui déploie en continu. Forte autonomie, processus décisionnels ultra-courts et utilisateurs réels dès le jour de votre déploiement. Poste basé à Londres, en présentiel.