Das ist der Job
Dein neuer Job
Du baust Stimmen.
Das brauchst du
Woran du mitwirken wirst Du baust und verbesserst unsere eigenen TTS und STT-Systeme – vom Modell bis zur Streaming-Inferenz Du optimierst auf niedrige Latenz: Time-to-First-Audio, Streaming-Synthese, effizientes Serving – jede Millisekunde zählt Du arbeitest an Stimmqualität und Natürlichkeit: Prosodie, Betonung, Robustheit bei echten Audiobedingungen Du evaluierst neue Open-Source-Speech-Modelle und bringst die besten Ansätze in unseren Stack Du misst, was du baust: Latenz-Profiling, Qualitäts-Benchmarks, Hörtests Die Qualifikationen, die Du brauchst Du hast praktische Erfahrung mit Sprachtechnologie: TTS, STT, Echtzeit-Audio oder Speech-Modell-Inferenz Begriffe wie Audio-Codec oder Speech Tokenizer sind keine Fremdsprache für dich – oder du bringst einen soliden Torch/ML Background mit und willst genau hier tiefer einsteigen: Dann melde dich trotzdem!
Du hast sehr gute Programmierkenntnisse in Python und hast keine Angst, dich auch mit dir fremden Themen auseinander zu setzen Du weißt, warum ein paar hundert Millisekunden Latenz ein
Darum lohnt es sich
Nicht konfigurieren, nicht API anbinden – wirklich bauen. Bei botario entwickelst du die Text-To-Speech- und Speech-To-Text-Systeme hinter unseren Voice Agents: Stimmen, die natürlich klingen, in Echtzeit antworten und auch dann verstehen, wenn es am anderen Ende nuschelt.
