AI Engineer

Tech Lead / AI Engineer – Real-Time Voice Streaming Pipelines

Format zaangażowania: B2B, 100% zdalnie

Start: Druga połowa października

Czas trwania: 2 tygodnie (Discovery & Architektura, 1.0 FTE) z bardzo dużą szansą na przedłużenie na pełną fazę budowy (łącznie ok. 13 tygodni, realizowanych etapami)

O projekcie

Dla zagranicznego klienta z obszaru consumer tech realizujemy projekt mobilnej aplikacji do tłumaczenia mowy w czasie rzeczywistym w trybie dwustronnym (równoległa rozmowa na żywo przez sieć komórkową).

Głównym wyzwaniem inżynieryjnym jest skrajnie niska latencja (sub-2s / target sub-1.5s time-to-first-audio) osiągana w realnych warunkach sieciowych (LTE/5G). Projekt bazuje na architekturze strumieniowej: STT -> MT/LLM -> TTS z orkiestracją w Pythonie oraz transmisją przez WebRTC.

Twój zakres odpowiedzialności (Faza Discovery & Architektura)

• Zarządzanie budżetem opóźnień: Opracowanie i weryfikacja per-component latency budget (VAD, transport, STT to first token, MT, TTS to first audio, jitter buffer, playout).

• Ewaluacja dostawców: Weryfikacja dostawców STT, MT i TTS pod kątem rzeczywistego wsparcia dla interfejsów strumieniowych oraz twardych wymogów compliance (EU data residency oraz zero data retention).

• Metodyka testów: Zaprojektowanie frameworku do automatycznych testów (AI-to-AI call evaluation) oraz określenie kryteriów bramki jakościowej (pomiary p95 na fizycznych urządzeniach).

• Fundamenty kodu: Przygotowanie szkieletu repozytorium, CI/CD oraz architektury startowej pod etap wdrażania (Alpha build).

• Współpraca z klientem: Praca bezpośrednio z technicznym Fractional CTO po stronie klienta – udział w dyskusjach architektonicznych i obrona decyzji technologicznych.

• Dokumentacja: Tworzenie przejrzystej specyfikacji architektonicznej i raportów w języku angielskim.

Wymagania konieczne (Must Have)

• Real-Time Streaming Audio: Udokumentowane, komercyjne doświadczenie w budowaniu produkcyjnych potoków audio w czasie rzeczywistym. (Ważne: klasyczna transkrypcja w trybie batch, offline STT czy prosty RAG są niewystarczające).

• Streaming Frameworks: Praktyczna znajomość minimum dwóch komponentów w wydaniu strumieniowym (STT, MT, TTS) oraz narzędzi typu Pipecat, LiveKit, Vapi lub autorskich warstw orkiestracji w Pythonie.

• WebRTC: Doświadczenie z protokołem WebRTC na produkcji, w tym znajomość zachowania transportu audio przy degradacji połączenia sieciowego.

• Pomiary Latencji: Praktyka w instrumentacji i pomiarach opóźnień na realnych urządzeniach mobilnych (rozkład percentyli p95, analiza skrajnych wartości / tail behavior).

• Compliance: Doświadczenie w doborze dostawców AI spełniających rygorystyczne normy ochrony danych (EU hosting, zero data retention).

• Język Angielski (min. C1): Płynność w mowie i piśmie umożliwiająca swobodną debatę techniczną z CTO klienta oraz tworzenie dokumentacji.

• Widoczne doświadczenie w CV: Doświadczenie z real-time audio / voice pipelines musi być bezpośrednio i jasno wyeksponowane w życiorysie (podlega akceptacji technicznej klienta).

Mile widziane (Nice to Have)

• Znajomość React Native oraz natywnych modułów audio (Swift / Kotlin).

• Doświadczenie z obsługą audio przez Bluetooth (iOS / Android).

• Doświadczenie z on-device AI inference lub klonowaniem głosu (speaker-similarity)