音声データ基盤エンジニア(シニア/STT・TTS/full duplex)
- Hiring from
- Japan
- Work type
- Hybrid
- Posted
626,291 remote jobs, straight from company career pages
100% free · New jobs every minute
Show job descriptionHide job description
音声データ基盤エンジニア(シニア/STT・TTS/full duplex)
仕事概要
【この求人を一言でいうと】
Recho(レコー)の音声AIを賢くするための“音声の教材”(学習・評価用の音声データ)を、集めて・整えて・品質を確かめて届ける「仕組み」そのものをつくるシニアエンジニアのポジションです。対象は、音声認識(STT)・音声合成(TTS)・発話検出(VAD)、そして割り込みや相槌を含めて人間同士のように話せる全二重音声モデルです。今は案件ごとの単発作業になっている音声データづくりを、再現性があり、効果を測れる仕組みに変えるフェーズです。チーム内の公用語は英語(日本語は必須ではありませんが、日本語の音声データを多く扱います)で、年収は1,000万~2,000万円(応相談)。勤務地は原則として、半蔵門オフィス(一部リモート可)です。
■こんな経歴の方に向いています
- 音声・動画・テキスト・マルチモーダルデータの大規模パイプラインを構築してきたシニアデータエンジニアの方
- モデル開発を支えるデータ基盤づくりにやりがいを感じる音声/MLエンジニアの方
- 収集・加工から品質評価、本番提供まで、データセットのライフサイクル全体を担ってきた方
- 「もっと自然な割り込みのデータがほしい」といった曖昧な依頼を、データ仕様・パイプライン・検証済みデータセットに落とし込める方
■役割:音声モデルを支える、本番品質の音声データ基盤を独立して設計・構築する
Recho(レコー)では、STT、TTS、VAD、Speech-to-Speech、全二重の会話モデルを開発しています。音声モデルは、その背後にあるデータが良くなってはじめて良くなります。必要なのは大量の音声だけではありません。ライセンスが適切で、構造化され、品質を測定でき、話者・言語・アクセント・音響条件・やりとりのパターン・失敗ケースを幅広くカバーしたデータセットです。
本ポジションの中心的なミッションは、2つのデータ生産を支える本番品質の音声データ基盤をつくることです。1つ目は、モデルチームからの依頼を待たずに有用な音声データを見つけ、取り込み、加工し続ける「継続的なデータ生産」。2つ目は、研究者が必要とする特定のデータ(発話の重なり、割り込み、相槌、ノイズの多い電話音声、特定のアクセント、まれな会話パターン等)をデータ仕様に落とし込み、自律的に提供する「依頼ベースのデータ生産」です。
単純なパイプラインの運用ではありません。「良いデータとは何か」を定義し、パイプラインがそれを生み出せているかを測り、そのデータセットが対象モデルを本当に改善しているかを判断するところまで担っていただきます。
【このポジションで「やらないこと」】
- クローラーの作成や公開データセットのダウンロードだけを担うポジションではありません
- 手作業のアノテーション運用やベンダー管理を主目的とするポジションではありません
- モデル研究者がすべてのデータセットの仕様を完全に用意する前提のポジションではありません(曖昧な依頼を仕様に落とし込むところから担います)
- STT・TTS・基盤モデルの研究そのものは主業務ではありません(研究者と密に連携し、モデルを理解したうえでデータを設計します)
- 一般的なクラウドインフラやクラスタの運用は主業務ではありません(運用は別のインフラチームが担当します)
■お任せしたい主な業務
1. 継続的な音声データ生産システムの構築
- 音声・動画・書き起こし・会話データを継続的に発見・取り込み・加工するパイプラインの設計
- 公開データ、ライセンスデータ、パートナー・顧客提供データ、社内生成データを対象としたクローラー・コネクターの構築
- データの出所、ライセンス条件、同意、利用制限、データリネージの追跡
2. エンドツーエンドの加工パイプラインの構築
- 音声抽出、リサンプリング、チャネル正規化、フォーマット変換、破損検知のスケーラブルな実装
- VAD、セグメンテーション、話者分離(ダイアライゼーション)、言語識別、文字起こし、タイムスタンプアライメントのパイプライン構築
- 無音・音楽・ノイズ・重複・合成音声・低品質な録音など、不要なデータの検知と除外
3. STT・TTS・VAD・全二重音声向けデータの作成
- 信頼性の高い書き起こし、単語単位のタイムスタンプ、話者ラベル、音響メタデータを備えたSTTデータセットの構築
- ターンテイキング、割り込み、相槌、発話の重なり、言いよどみ、レイテンシ、応答タイミングを含む全二重会話データセットの構築
- 従来のシングルターン音声データセットに当てはまらない会話行動の分類体系(タクソノミー)・アノテーションスキーマの定義
4. 曖昧な依頼からのターゲットデータセット提供
- 研究・プロダクトのニーズを、測定可能なデータセット仕様に落とし込む
- クローリング、社内データのマイニング、合成データ生成、人手アノテーション、またはその組み合わせから最適な手段を判断
- 品質レポート・既知の制約・想定ユースケースを明記した、ドキュメント付き・バージョン管理されたデータセットの提供
5. 品質モニタリングとデータオブザーバビリティの構築
- パイプラインの各ステージにおける品質指標の定義
- パイプラインの劣化、ソースのドリフト、分布シフト、データセット構成の想定外の変化の検知
- 学習サンプルから、そのソースと適用されたすべての変換処理までさかのぼれるトレーサビリティの維持
6. データ品質とモデルへの影響のベンチマーク
- 統制されたモデル実験やダウンストリーム評価による、新しいデータセットの効果測定
- データセットの受入基準を定め、低品質なデータが気づかないうちに学習に混入するのを防止
- データ量ではなく、モデルへの影響を基準にしたデータ業務の優先順位づけ
7. データチームの技術的な土台づくり
- 音声データ生産のアーキテクチャ、インターフェース、エンジニアリング標準の策定
- 研究者がデータセットを探し、中身を確認し、利用できる社内SDK・ツールの開発
- チームの拡大にあわせた、将来のデータエンジニアのメンタリング
※より詳細な業務内容については、カジュアル面談や面接の際にお話しさせていただきます。
■このポジションの魅力
1. すべての音声モデルを支える“データフライホイール”をつくれる
あなたの仕事は、STT・TTS・VAD・Speech-to-Speech・全二重音声のすべてに影響します。一度つくったパイプラインが、長期にわたって多くのモデルとプロダクトを改善し続けます。
2. まだ定石のない「全二重音声データ」の課題に挑める
従来の音声データセットは、単独の発話やきれいなターン交代が中心でした。しかし人間の会話には、割り込み、発話の重なり、相槌、言いよどみ、応答タイミング、途中で途切れる発話が含まれます。全二重音声向けのデータには、新しいスキーマ・パイプライン・品質基準を自ら設計する必要があります。
3. 成長するデータチームの土台を築ける
会社に必要なのは、データセットを増やすことだけでなく、持続的なデータの組織力です。あなたがつくるアーキテクチャと運用モデルが、今後加わるエンジニアや研究者の土台になります。
■利用サービス・技術スタック一覧
- 言語:Python / SQL
- データ処理:PySpark / Ray / Dask / Polars / Apache Beam 等
- ワークフロー管理:Airflow / Dagster / Prefect / Argo Workflows
- ストレージ・フォーマット:S3互換オブジェクトストレージ / Parquet / WebDataset / Iceberg / Delta Lake
- ストリーミング・キュー:Kafka / Pub/Sub / SQS 等
- 音声処理:FFmpeg / torchaudio / librosa / Whisper / NeMo / pyannote.audio
- データ品質・オブザーバビリティ:Great Expectations / Grafana / Prometheus / 社内ツール
- インフラ:Kubernetes / Docker / クラウドバッチシステム
- データセット・実験管理:DVC / LakeFS / MLflow / Weights & Biases 等
■プロダクトの優位性について
人間と区別がつかないレベルの自然な対話を実現する「Recho AI Voice Platform」の開発と、大手企業への「Voice AI Agent」の導入・運用支援を行っています。
最大の強みは、高品質なAI Agentを効率よく構築・改善できるプロダクト基盤にあります。業界の暗黙知を吸収し、ユーザーからのフィードバックデータをもとに、継続改善のサイクルを圧倒的な速度で回せる仕組みです。この技術により、金融・メーカー・行政などの実業務において複雑で大規模なコールセンターのAI化が急速に拡大しており、人間のオペレーターへの引き継ぎゼロ(完結率100%)を達成したプロジェクト実績もあります。
■面接・選考プロセス
カジュアル面談 ⇒ ケース課題・一次面接 ⇒ トライアル業務委託* ⇒ 最終面接 ⇒ オファー面談
*トライアル業務委託は、1日〜連続2日間オフィスにお越しいただき、実際にオフィスで業務に取り組んでいただく機会です(有償)。メンバーと協働し、カルチャーマッチと業務理解を確認し合う期間です。
※場合によってリファレンスチェックを依頼させていただくことがございます
※スケジュールや副業規定で業務委託が難しい場合には、ご相談くださいませ
■Rechoについて
Rechoは、カスタマーサポート領域の効率化を牽引する「AI Agent」の基盤モデル開発から、顧客への実装・プロジェクトデリバリーまでを同一組織内で一気通貫で行うテクノロジー企業です。
現在は、フルスクラッチで自社開発した「音声AI」技術を最大の強みとし、業界の長年の課題であった品質とコストのトレードオフを解消するソリューションをエンタープライズ向けに提供しています。シリーズAで約7億円の資金調達を完了し、SBI新生銀行やKDDIといった大手企業のシビアな本番環境への社会実装を急進させているフェーズです。
Rechoについて詳しく知りたい方に向けて、会社やプロダクトに関する公開情報をまとめたページをご用意しました。このページでは、弊社の事業内容やプロダクトの詳細、所属メンバーについてご覧いただけます。
■参考情報
※2分程度の音声デモもぜひお聞きください※
必須スキル
※語学力:英語を用いた、専門的な技術コミュニケーション能力
※海外在住者の応募歓迎:日本への移住を伴う場合、就労ビザの取得支援およびリロケーションサポートを提供します
※本ポジションは日本語の音声データを多く扱うため、日本語に堪能な方を優先します。ただし日本語は必須ではありません。関連する分野で卓越した実績をお持ちの方は、日本語を話すメンバーのサポート(言語面のレビュー等)を受けながら業務を進めていただけます。
- PythonおよびSQLによる高い実装力
- 本番品質のデータパイプラインを自律的に設計・実装した経験
- 分散・並列・非同期システムを用いた大規模データ処理の経験
- 取り込み・変換・検証・モニタリング・バージョン管理・提供まで、データのライフサイクル全体を担った経験
- 未知のデータソースを調査し、堅牢な取り込みプロセスを構築できる力
- データ品質・リネージ・再現性・オブザーバビリティへの深い理解
- 曖昧な研究・プロダクトのニーズを、具体的なデータ仕様に落とし込む力
- システムを設計し、重要なコンポーネントは自ら実装できるハンズオンの力
- ML研究者・モデルエンジニアとの協業経験
【以下いずれかの専門性】
- 大規模な音声・動画・マルチモーダルデータの処理
- 機械学習の学習・評価のためのデータ基盤
- Webクローリング、データ取得、多様なソースからのデータ取り込み
- データセットの品質評価とモデルへの影響測定
歓迎スキル
※以下のいずれかに当てはまる方は歓迎します(すべてを満たす必要はありません)
音声・会話データ
- 音声認識(ASR/STT)・音声合成(TTS)・VAD・話者分離(Speaker Diarization)・Speech-to-Speechなど、音声モデル向けデータセットの構築経験
- 書き起こし・話者ラベル・単語単位タイムスタンプ(Forced Alignment)など、音声データの整備やアノテーションの経験
- 割り込み・相槌・発話の重なりなど、全二重(Full-duplex)の会話データを扱った経験
データ取得・品質
- Webクローラーの構築・運用など、大規模なデータ収集の経験
- ライセンス管理・個人情報(PII)の除去・データリネージなど、データガバナンスの経験
- データセットの品質評価・ベンチマーク設計や、モデル性能への影響を測定した経験
基盤づくり・リード
- ML向けデータ基盤(データプラットフォーム)や、データセットSDK・社内ツールの設計経験
- データチームの立ち上げやリード、関連OSSへのコントリビューション経験
語学・コミュニケーション
- 日本語・中国語でのコミュニケーション能力、多言語・コードスイッチングを含む音声データの経験
※本チームの公用語は英語です。日本語や中国語(中国語話者の社員も多数在籍)でもコミュニケーションが取れる方は、社内連携の面でより歓迎します。
求める人物像
■求める人物像
- 手と耳で確かめる: 設計で終わらず自ら実装し、音声や書き起こしを実際に確かめながら、サンプル単位で問題を突き止められる方
- 曖昧さから走り切る: 不完全な依頼から成功基準を定め、最適な手段を組み合わせて提供までやり切れる方
- 量より効果、単発より仕組み: データの量ではなくモデルへの影響で判断し、繰り返す依頼を再利用できる仕組みに変えられる方
- 信頼できる基盤をチームに残す: 出所・ライセンス・プライバシーを設計に組み込み、知識を抱え込まずチームの生産性を高められる方
■大切にしている4つの価値観に共感いただける方
Rechoの提供価値を最速で最大化するために、チームで大切にしているバリューをご紹介します。
Exceed Expectations
顧客と仲間の期待を、スピードと品質の両立で超え続ける。
Team-First
一人ひとりがプロとしての責任を果たし、個人ではなくチームの成果を最大化する。
Continuous Feedback
成果のために本気で向き合い、率直に伝え合う。言いにくいことこそ、敬意と配慮をもって誠実に伝え続ける。
Earn Trust
信頼は、すべての協力と挑戦の土台である。道徳的に判断し、公私混同しない。信頼を築くのには時間がかかり、失うのは一瞬。
応募概要
給与
前職の給与水準、スキルレベル等を総合して報酬を決定いたします。
- 年俸制:1,000万円 ~ 2,000万円
- 昇給: あり(年1回を基本とし、本人の貢献、会社の業績によって決定)
- SO(ストックオプション)制度あり
勤務地
半蔵門WeWork(東京都千代田区麹町2-3-2 半蔵門PREX North)
出社推奨(一部リモートワーク可能)
雇用形態
正社員勤務体系
■勤務時間
- 勤務時間(専門業務型裁量労働制)
- みなし労働時間:1日9時間
- 始業・終業時刻:労働者の決定に委ねる(業務上の必要に応じて10:00~19:00を基本勤務時間帯として運用)
■職務内容・就業場所について
- 業務内容:(雇入れ直後)音声データ基盤(収集・加工・品質評価)の設計・開発業務
(変更の範囲)会社の定める業務 - 就業場所:(雇入れ直後)半蔵門WeWork(一部リモート相談可能)
(変更の範囲)会社の定める場所
■休日休暇
土日、祝日、年末年始(12月29日〜1月3日)、特別休暇、有給休暇(初年度10日)
試用期間
3ヶ月間(条件変更なし)福利厚生
■保険・制度
- 各種社会保険完備
- 通勤手当有(月額25,000円まで)
■オフィス環境
- WeWork入居(半蔵門駅徒歩2分/占有フロア・集中ブース・会議室完備)
- 館内ドリンク無料(コーヒー・ソフトドリンクに加え、アルコールも利用可)
- 高品質オフィスチェア完備
- MacBook Air + 外部ディスプレイ貸与
■生産性向上サポート
AIを届ける会社だからこそ、働き方もAIネイティブに。
- AI活用支援制度
- エンジニア職:Claude Code・Codex 最上位プラン支給
- ビジネス・PM職:チームでコンテキストを共有できる組織プラン支給
- Amazon Business アカウント利用可(業務上必要な書籍・備品購入)
■コミュニケーション施策
各プロジェクトのミーティングや、Slackなどの日常的なやり取りに加え、全社の進捗を全員で共有・議論する場や、懇親の機会を定期的に設けています。
-
- Monday Kickoff:毎週月曜日に業務進捗から、ちょっとした出来事まで共有できる場
-
- 全体定例:毎月月初の金曜日に各部門の前月の成果共有をする会。終業後には軽食を囲んで、懇親を図ります。
-
- All Hands:半期に1度開催する、全社方針や中長期ビジョンを共有する場です。組織全体の一体感を高めます。
■受動喫煙防止措置
屋内原則禁煙(屋外に喫煙所あり)