Ang Deepgram ay isang voice AI na kumpanya na bumubuo ng mga API para sa speech-to-text, text-to-speech, at pag-unawa sa wika. Tinutulungan ng platform nito ang mga developer na lumikha ng mga real-time na voice application, kabilang ang conversational AI, mga tool para sa contact center, at mga workflow para sa medical transcription. Sa pagproseso ng sinasalitang wika na nakatuon sa katumpakan, bilis, at episyenteng gastos, tinutulungan ng Deepgram ang mga organisasyon sa pangangalagang pangkalusugan, logistics, consulting, at iba pang sektor na gawing kapaki-pakinabang na impormasyon at mga interactive na karanasan ang voice data.
Nangungunang Siyentista sa Pananaliksik, mga Pundasyon ng Voice AI
Isulong ang pundamental na pananaliksik sa voice AI sa Deepgram, mula sa mga latent-space model at neural audio codec hanggang sa mga speech-to-speech system. Bumuo ng scalable at episyenteng teknolohiya para sa real-time na interaksiyon ng tao at makina.
Paglalarawan
- Bumuo ng mga latent-space model upang tugunan ang mahahalagang hamon sa datos, scale, at gastos para sa matatag at kontekstuwal na voice AI.
- Lumikha ng mga neural audio codec na pinagsasama ang napakababang bit rate at mataas na katapatan ng rekonstruksiyon.
- Bumuo ng mga steerable generative model para sa iba’t ibang pananalita, kabilang ang may emosyon, maraming tagapagsalita, maingay, at nagsasapawang pananalita.
- Magdisenyo ng mga embedding system na naghihiwalay sa latent na representasyon ayon sa tagapagsalita, nilalaman, estilo, kapaligiran, at dimensiyon ng channel.
- Gamitin ang latent recombination upang lumikha ng sintetikong audio data sa sukat na wala pang katulad.
- Sanayin ang mga multimodal speech-to-speech system para sa malawak na pag-unawa at mga tugong may empatiya at kahawig ng tao.
- Magdisenyo ng mga arkitektura ng modelo, paraan ng pagsasanay, at inference algorithm para sa bare-metal hardware.
- Suportahan ang matipid na pagsasanay sa mga dataset na bilyun-bilyong oras ang haba at real-time na inference para sa daan-daang milyong sabay-sabay na pag-uusap.
- Magsagawa ng mga kontroladong eksperimento, ablation study, pagsusuri, at stress test.
- Mag-ambag sa mga publikasyong pananaliksik at open-source na proyekto.
Mga Kinakailangan
- Matibay na pundasyong matematikal sa teorya ng estadistikal na pagkatuto, lalo na sa self-supervised at multimodal na pagkatuto.
- Malalim na kaalaman sa mga arkitektura ng foundation model at pagpapalawak ng pagsasanay sa maraming modality.
- Kakayahang bumuo ng orihinal na mga pormulasyong matematikal at mahusay na ipatupad ang mga ito.
- Napatunayang kakayahang bumuo at magpanatili ng malalaki, de-kalidad, at iba-ibang data pipeline.
- Karanasan sa pagdidisenyo ng mga kontroladong eksperimento upang ihiwalay ang mga epekto ng arkitektura at subukan ang mga teoretikal na pananaw.
- Karanasan sa paghahanda ng mga modelo para sa aktuwal na deployment, kabilang ang mga limitasyon ng hardware at mga paraan para sa episyensiya.
- Track record ng mga ambag sa open source o publikasyong pananaliksik na nagpapasulong sa speech o language AI.
- Kakayahang tukuyin ang mga mapagpasyang eksperimento na mabilis sumusubok sa mga ideya.
- Bisyon sa pagpapalaki nang 100 ulit sa mga matagumpay na proof of concept.
- Pag-iisip na nakatuon sa AI automation at augmentation.
- Mga akademikong literatura o publikasyon tungkol sa speech processing, speech-to-text, text-to-speech, o kaugnay na gawain, gaya ng hinihingi sa aplikasyon.
- Legal na pahintulot na magtrabaho sa bansang kinaroroonan ng posisyon.
- Kakayahang matugunan ang mga kinakailangan para sa visa sponsorship sa bansang kinaroroonan ng posisyon.
Mga Benepisyo
- Kaayusan sa malayuang trabaho.
- Kapaligirang inuuna ang AI, na may mga pagkakataong gumamit at sumubok ng mga advanced na AI tool.
- Pagkakataong gumawa sa makabagong pananaliksik sa voice AI.
- Pagkakataong mag-ambag sa mga open-source na proyekto at publikasyong pananaliksik.
- Opsyonal ang pagrekord ng panayam gamit ang AI Notetaker; hindi makaaapekto sa kandidatura ang pagtangging magrekord.