Technical Lead — Real-Time Voice Translation Platform

Kim jest H2B Group?

Jesteśmy firmą konsultingową, która pomaga klientom w automatyzacji procesów biznesowych przy pomocy AI, a specjalistom IT rozwijać karierę w modelu B2B. Oferujemy projekty z branż takich jak fintech, medtech, edutech czy automatyka przemysłowa. Dzięki ścisłej współpracy wspieramy rozwój naszych klientów poprzez dostarczanie szybkich i mierzalnych efektów, jednocześnie zapewniając specjalistom IT możliwości rozwoju kariery i zdobywania cennego doświadczenia.

Dlaczego warto z nami współpracować?

Elastyczność – Wybierasz projekty dopasowane do swoich umiejętności i zainteresowań, z możliwością zmiany w ramach naszej firmy lub grupy Euvic, której jesteśmy częścią. 

Przejrzystość – Masz jasne zasady współpracy i pełną transparentność wynagrodzenia oraz warunków. 

Szybkość działania – Dzięki naszej efektywności szybko znajdziesz lub zmienisz projekt, który idealnie odpowiada Twoim kompetencjom. 

Możliwość rozwoju – Pracujesz przy innowacyjnych projektach, rozwijając kluczowe kompetencje i zdobywając cenne doświadczenie.

O projekcie

Poszukujemy doświadczonego Technical Leada z praktycznym doświadczeniem w projektowaniu i rozwijaniu systemów przetwarzania audio w czasie rzeczywistym, który obejmie odpowiedzialność techniczną za początkowy etap projektu innowacyjnej aplikacji mobilnej do tłumaczenia rozmów głosowych na żywo.

Aplikacja umożliwi dwóm osobom korzystającym z oddzielnych telefonów prowadzenie naturalnej rozmowy w różnych językach — każda osoba będzie słyszeć wypowiedzi rozmówcy przetłumaczone na swój język. Kluczowym wyzwaniem technologicznym jest osiągnięcie możliwie niskich opóźnień przy rzeczywistych warunkach sieci komórkowej, przy zachowaniu wysokiej jakości tłumaczenia oraz rygorystycznych wymagań dotyczących prywatności danych.

Projekt zakłada rozwój aplikacji na iOS i Android, z wykorzystaniem React Native, natywnych modułów audio, backendu Python oraz komunikacji WebRTC. Pierwsza obsługiwana para językowa to angielski i francuski.

Pierwszy etap obejmuje dwutygodniowy sprint discovery i architektury technicznej. Kolejne etapy — budowa wersji Alpha, Beta oraz przygotowanie do wydania produkcyjnego i migracji części przetwarzania na urządzenia — będą realizowane po odrębnej decyzji o kontynuacji.

Obowiązki

• Projektowanie architektury rozwiązania: analiza i wybór optymalnego podejścia do tłumaczenia mowy w czasie rzeczywistym, w tym porównanie architektury opartej na STT → MT → TTS z modelami end-to-end speech-to-speech.

• Projektowanie strumieniowego przetwarzania audio: opracowanie architektury umożliwiającej rozpoczęcie odtwarzania przetłumaczonej wypowiedzi przed zakończeniem całej wypowiedzi źródłowej.

• Analiza i dobór dostawców AI: ocena rozwiązań z zakresu Speech-to-Text (STT), Machine Translation (MT), Text-to-Speech (TTS) oraz transportu audio WebRTC, ze szczególnym uwzględnieniem obsługi streamingu i wymagań compliance.

• Definiowanie budżetu opóźnień: identyfikacja i pomiar opóźnień na poszczególnych etapach pipeline'u, określenie oczekiwanych wartości i zakresów zmienności oraz wskazanie głównych źródeł opóźnień.

• Ocena jakości syntezy mowy: porównanie wariantów TTS pod kątem naturalności głosu, podobieństwa do oryginalnego mówcy, wydajności strumieniowej, obsługi wielu języków i kosztów.

• Projektowanie metodologii testowania: zdefiniowanie kryteriów oceny jakości transkrypcji i tłumaczenia oraz metodyki pomiaru czasu do pierwszego odtworzonego dźwięku (time-to-first-audio), w tym analizy percentyli i wartości skrajnych.

• Ustalenie kryteriów przejścia do etapu Alpha: przygotowanie mierzalnych kryteriów akceptacji i progów pass/fail uzgodnionych z klientem przed rozpoczęciem implementacji.

• Analiza kosztów rozwiązania: przygotowanie modelu kosztowego przetwarzania minut audio dla różnych scenariuszy wykorzystania platformy.

• Ocena możliwości przetwarzania on-device: analiza potencjału przeniesienia wybranych komponentów pipeline'u bezpośrednio na urządzenia mobilne.

• Przygotowanie fundamentów technicznych projektu: konfiguracja repozytorium, CI/CD, szkieletu aplikacji i podstawowych mechanizmów uwierzytelniania.

• Przygotowanie dokumentacji architektonicznej: opracowanie rekomendacji, uzasadnień technicznych, analiz porównawczych i dokumentacji decyzji architektonicznych w języku angielskim.

• Współpraca z klientem: bezpośrednie prowadzenie dyskusji technicznych, prezentowanie rekomendacji i uzasadnianie decyzji na podstawie danych oraz analizy technicznej.

• Planowanie kolejnego etapu: przygotowanie propozycji zakresu prac nad wersją Alpha, estymacji, struktury zespołu i orientacyjnego budżetu.

Must have — wymagania konieczne:

• Udokumentowane doświadczenie produkcyjne w systemach przetwarzania audio w czasie rzeczywistym, w szczególności w strumieniowych pipeline'ach głosowych. Doświadczenie wyłącznie w transkrypcji wsadowej lub standardowych usługach AI typu request/response nie jest wystarczające.

• Praktyczne doświadczenie w co najmniej dwóch z trzech obszarów:

  • Streaming Speech-to-Text (STT).

  • Streaming lub inkrementalne Machine Translation (MT).

  • Streaming Text-to-Speech (TTS).

• Doświadczenie produkcyjne z WebRTC, w tym znajomość zachowania transmisji audio przy niestabilnym połączeniu i ograniczeniach sieci komórkowej.

• Doświadczenie w instrumentacji i pomiarach opóźnień: pomiary na urządzeniach końcowych, analiza mediany i p95, interpretacja rozkładów opóźnień oraz rzetelna analiza wartości skrajnych.

• Umiejętność oceny dostawców technologicznych pod kątem wymagań compliance, w szczególności hostingu danych na terenie UE i gwarancji zerowej retencji danych.

• Bardzo dobra znajomość Pythona w kontekście rozwoju backendu.

• Znajomość frameworków do orkiestracji strumieniowych pipeline'ów audio, np. Pipecat lub rozwiązań równoważnych.

• Doświadczenie na poziomie Technical Leada lub Architekta, obejmujące samodzielne podejmowanie, dokumentowanie i obronę decyzji technicznych.

• Umiejętność analizowania kompromisów pomiędzy opóźnieniem, jakością, kosztami, skalowalnością i prywatnością danych.

• Bardzo dobra znajomość języka angielskiego w mowie i piśmie, umożliwiająca prowadzenie spotkań z klientem oraz przygotowywanie precyzyjnej dokumentacji technicznej.

• Gotowość do rozpoczęcia współpracy w krótkim terminie i dostępność przez pełny wymiar pierwszych dwóch tygodni projektu.

Nice to have — wymagania dodatkowe:

• Doświadczenie z React Native oraz integracją natywnych modułów audio dla iOS (Swift) i Androida (Kotlin).

• Znajomość routingu audio na urządzeniach mobilnych, w tym obsługi Bluetooth i przełączania urządzeń audio na iOS oraz Androidzie.

• Doświadczenie z inferencją modeli AI bezpośrednio na urządzeniu (on-device inference), optymalizacją modeli i ograniczeniami sprzętowymi urządzeń mobilnych.

• Doświadczenie w rozwiązaniach związanych z klonowaniem głosu, voice cloning lub pomiarem podobieństwa głosu do oryginalnego mówcy.

• Praktyczna znajomość architektur systemów wielojęzycznych, aplikacji tłumaczących lub produktów wykorzystujących syntezę i rozpoznawanie mowy.

• Doświadczenie w projektowaniu architektury zgodnej z RODO/GDPR oraz weryfikowaniu umów i gwarancji dostawców w zakresie przetwarzania danych.

• Doświadczenie w projektowaniu zautomatyzowanych testów jakości systemów AI, w tym frameworków ewaluacyjnych opartych na interakcjach AI-to-AI.

• Znajomość zagadnień związanych z wykrywaniem końca wypowiedzi (end-of-utterance detection), buforowaniem audio, jitter buffer oraz problemami kolejności słów przy tłumaczeniu strumieniowym.

Informacje organizacyjne

• Praca w pełni zdalna, w europejskich strefach czasowych.

• Pierwszy etap trwa 2 tygodnie i zakłada pełne zaangażowanie — 8 godzin dziennie, bez planowanych nadgodzin.

• Współpraca w języku angielskim z zespołem Apptension i klientem.

• Narzędzia projektowe: Jira, Confluence, Slack i Google Workspace.

• Testy urządzeniowe będą realizowane na aktualnych flagowych urządzeniach iPhone oraz Android.

• Wykorzystanie asystentów AI jest dopuszczalne wyłącznie w konfiguracjach, które nie wykorzystują danych klienta do trenowania modeli ani nie przechowują ich w sposób niezgodny z wymaganiami projektu.

Proces aplikacyjny

Prosimy o przesłanie:

1. CV z wyraźnie opisanym doświadczeniem w produkcyjnych systemach audio i voice pipeline'ach działających w czasie rzeczywistym.

2. Pisemnych odpowiedzi na pięć pytań technicznych dotyczących m.in. pomiaru opóźnień, streamingu MT, interpretacji p95, doboru próby pomiarowej i zgodności dostawców z wymaganiami prywatności.

3. Informacji o najwcześniejszym możliwym terminie rozpoczęcia współpracy.

4. Stawki dziennej za pierwszy etap oraz orientacyjnej stawki za ewentualną kontynuację projektu.

5. Potwierdzenia dostępności na kolejne etapy lub wskazania terminu, do którego kandydat jest dostępny.

Ważne: Kluczowe znaczenie ma konkretne, udokumentowane doświadczenie w systemach audio działających w czasie rzeczywistym.

Co oferujemy:

• Szybki start: Możliwość rozpoczęcia współpracy od zaraz (klient może jednak poczekać do 2 tygodni na Twój start).

• Stabilność: Kontrakt B2B na minimum 3 miesiące z możliwością długofalowego przedłużenia.

• Praca w 100% zdalna (brak wymogu wizyt w biurze/u klienta).

• Szybki proces rekrutacyjny: Tylko 1 etap rekrutacji (rozmowa techniczna z deweloperami + HR). Szybki feedback w ciągu około tygodnia