مهندس دادهٔ یادگیری ماشین (گفتار و صوت)
ML Data Engineer (Speech & Audio)
مهندس دادهٔ گفتار و صوت دادهٔ صوتی را برای آموزش و ارزیابی مدل‌های تشخیص گفتار (ASR)، تبدیل متن به گفتار (TTS) و دیگر مدل‌های صوتی آماده می‌کند: منبع تازهٔ داده پیدا می‌کند، صدا را به قالب یکسان می‌برد، پاکسازی و قطعه‌بندی می‌کند و با متن هم‌تراز می‌کند، کیفیت رونوشت‌ها و برچسب‌ها را می‌سنجد و از هر نسخهٔ دیتاست سابقه نگه می‌دارد تا معلوم باشد هر مدل روی چه داده‌ای آموزش دیده است. بیشتر این کار مهندسی داده و نرم‌افزار است و آموزش مدل در آن نقش اصلی ندارد. نام قدیمی این صفحه، «مهندس داده‌های صوتی» (Audio Data Engineer)، عنوان رایج بازار نیست: تنها آگهی‌ای که با همین عنوان پیدا کردیم، از Hippocratic AI، بسته شده بود. کارفرماها همین کار را با عنوان‌هایی مثل Data Engineer (Audio/ML)، Data Engineer (Speech/Language Data)، ML Data & Platform Engineer، Software Engineer, AI Data و Data Engineer, Machine Learning آگهی می‌کنند.
مقدمه و تعریف شغل
مهندس دادهٔ گفتار و صوت (در آگهی‌ها Data Engineer با پسوند Audio/ML یا Speech، یا عنوان‌هایی مثل ML Data Engineer و AI Data Engineer) سیستمی می‌سازد که صدای خام را به داده‌ای قابل اعتماد برای آموزش و ارزیابی مدل تبدیل کند. Gnani.ai خروجی این کار را «ساعت‌های قابل آموزش» می‌نامد: صدا از منبع‌های مختلف می‌آید، به قالب یکسان تبدیل می‌شود، با VAD قطعه‌بندی و با متن هم‌تراز می‌شود، کیفیتش خودکار سنجیده می‌شود، تکراری‌ها حذف می‌شوند و نسخهٔ نهایی همراه با منبع، مجوز و مبنای رضایت ثبت می‌شود. مشتری اصلی این مهندس پژوهشگران و مهندسان ML داخل همان شرکت‌اند. Sesame در آگهی خود نوشته بود این نقش به مهندسی یادگیری ماشین نزدیک‌تر است تا تحلیل دادهٔ سنتی، و لازم نیست خودتان مدل آموزش دهید؛ مهم این است که بدانید دیتاست آموزشی خوب چیست و چرا کیفیت داده مستقیم روی عملکرد مدل اثر می‌گذارد.
مدل‌های صوتی امروز با حجم بزرگی از داده ساخته می‌شوند. طبق مقالهٔ Whisper، این مدل OpenAI روی ۶۸۰ هزار ساعت صدای چندزبانه با رونوشت‌هایی که از اینترنت جمع شده بود آموزش دید. Gnani.ai در آگهی خود می‌نویسد آموزش ASR دقیق برای بیش از ۲۲ زبان هندی ده‌ها هزار ساعت صدا لازم دارد و Speechmatics نوشته هوش مصنوعی گفتار «مسئلهٔ داده‌ای دارد که بیشتر تیم‌های ML ندارند». کار با دادهٔ گفتار تازه نیست: کنسرسیوم دادهٔ زبانی (LDC) در ۱۹۹۲ با بودجهٔ DARPA تأسیس شد تا پایگاه‌های دادهٔ گفتار و متن بسازد و توزیع کند، و LibriSpeech، دیتاستی حدود ۱۰۰۰ ساعتی از گفتار خوانده‌شدهٔ انگلیسی، از کتاب‌های صوتی LibriVox ساخته و با دقت قطعه‌بندی و هم‌تراز شده است. تفاوت امروز در مقیاس و سرعت است: Speechify می‌گوید دیتاست‌هایش را در مقیاس پتابایت و با هزینهٔ کم می‌سازد و ElevenLabs کیفیت مدل‌هایش را محدود به کیفیت و مقیاس داده‌اش می‌داند. با وجود این، بازار هنوز نام یکدستی برای این کار ندارد و هر شرکت عنوان خودش را به کار می‌برد.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس دادهٔ یادگیری ماشین (گفتار و صوت)
pipeline تبدیل صدای خام به دادهٔ قابل آموزش
در آگهی Gnani.ai این pipeline تبدیل قالب و نمونه‌برداری مجدد، یکسان‌سازی بلندی، قطعه‌بندی با VAD، تشخیص گوینده و هم‌ترازی اجباری متن و صدا را پوشش می‌دهد. آگهی Skywalker Sound، که حالا بسته شده، همین را برای دیتاست‌های بزرگ صوتی و قالب‌های چندکاناله خواسته بود.
جمع‌آوری داده از منبع‌های تازه
Speechify از مهندس می‌خواهد منبع‌های تازهٔ دادهٔ صوتی پیدا کند و برای آوردنشان به دیتاست آموزشی pipeline بسازد و تجربه با web crawler را امتیاز می‌داند. Muxlisa AI داده را از مراکز تماس، استودیوهای ضبط TTS و دیتاست‌های باز جمع می‌کند.
کنترل کیفیت خودکار
Gnani.ai بررسی خودکار نسبت سیگنال به نویز (SNR)، clipping، جمله‌های بریده، قطعه‌های پرسکوت، اشتباه در تشخیص زبان و ناهمخوانی صدا و رونوشت را می‌خواهد. ElevenLabs حتی مدل‌هایی مثل classifier و فیلتر کیفیت را برای همین pipeline ها آموزش می‌دهد.
برچسب، رونوشت و pseudo-label
در Gnani.ai صدای بی‌برچسب با مدل‌های موجود رونویسی می‌شود، خروجی بر اساس اطمینان و توافق مدل‌ها فیلتر می‌شود و موارد مشکوک به بازبینی انسانی می‌رود. آگهی Skywalker Sound هم ساخت ابزار برچسب‌گذاری با روش‌های active learning را خواسته بود.
مجموعه‌های ارزیابی (benchmark)
Gnani.ai از مهندس می‌خواهد مجموعه‌های ارزیابی ASR و TTS را ثابت و نسخه‌دار نگه دارد، هیچ گوینده‌ای از آن‌ها در دادهٔ آموزش نباشد و نمایندهٔ زبان، لهجه، کانال و حوزه‌های مختلف باشند. Deepgram ساختن همین مجموعه‌ها را شرط ادعای صادقانه دربارهٔ کیفیت مدل می‌داند.
نسخه‌بندی، کاتالوگ و حاکمیت داده
آگهی Sesame زیرساختی خواسته بود که هر آموزش مدل را بشود به دادهٔ دقیقش برگرداند. Gnani.ai برای هر دیتاست dataset card می‌خواهد که منبع، مجوز، مبنای رضایت و محدودیت‌های شناخته‌شده را ثبت کند، و حذف اطلاعات شخصی از رونوشت‌ها را بخشی از pipeline می‌داند.
تخصص‌های مختلف مهندس دادهٔ یادگیری ماشین (گفتار و صوت)
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
دادهٔ آموزش تشخیص گفتار
ASR Training Data
ساخت جفت‌های دقیق صدا و متن برای آموزش، اعتبارسنجی و تست، رونویسی و سنجش آن با WER و CER، و نرمال‌سازی متن؛ کار اصلی آگهی‌های Gnani.ai و Muxlisa AI.
دادهٔ تبدیل متن به گفتار
TTS Data
ضبط استودیویی و آماده‌سازی صدای تمیز و کاملاً هم‌تراز. Gnani.ai برای TTS دروازه‌های کیفیت جدا می‌خواهد (دقت هم‌ترازی، ثبات صدای گوینده، برچسب لحن و احساس) و برگزاری آزمون‌های شنیداری مثل MOS را هم از همین مهندس انتظار دارد. آگهی بسته‌شدهٔ Hippocratic AI هم پاکسازی صدای ضبط‌شده برای TTS با ابزارهایی مثل iZotope RX و SoX بود.
زیرساخت دادهٔ آموزش مدل
Data Infrastructure for Model Training
pipeline های بزرگ جمع‌آوری، فیلتر، حذف تکراری و تبدیل داده برای مدل‌های پایه؛ آگهی‌های ElevenLabs، Speechify و Speechmatics. در Speechmatics این نقش با زیرساخت آموزش و سرو مدل (MLOps) ترکیب شده است.
دادهٔ صوتی رسانه و صدای فراگیر
Media & Immersive Audio Data
کار با قالب‌های چندکاناله و فراگیر مثل Dolby Atmos و ambisonics برای پژوهش در جداسازی منبع صدا و style transfer؛ آگهی Skywalker Sound در Lucasfilm که تا نوامبر ۲۰۲۶ بسته شد.
علم دادهٔ صوتی و یادگیری فعال
Audio Data Science & Active Learning
تحلیل اینکه چه داده‌ای داریم و چه کم داریم (زبان، شرایط ضبط، حوزه، گوینده) و ساخت چرخهٔ active learning برای انتخاب دادهٔ بعدی؛ آگهی Senior Data Scientist, Audio در Deepgram.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
در صفحهٔ مهندس تشخیص گفتار این سایت، کار سه بخش دارد: داده، مدل و پروداکشن، و آن مهندس مسئول کیفیت خود مدل است که با WER سنجیده می‌شود. مهندس دادهٔ گفتار مالک بخش داده است: Gnani.ai او را «مالک داده» و نقطهٔ تماس واحد تیم AI برای هر درخواست داده می‌نامد. ابزارها مشترک‌اند (librosa، Whisper، WER) اما خروجی این نقش دیتاست، مجموعهٔ ارزیابی و pipeline است، نه مدل. آگهی Sesame صریحاً نوشته بود لازم نیست مدل آموزش دهید.
در صفحهٔ مهندس داده این سایت، مهندس داده دادهٔ آموزش مدل‌ها را هم فراهم می‌کند، اما بیشتر با pipeline ها، انبار دادهٔ ابری و جدول‌هایی کار می‌کند که تحلیل و گزارش روی آن‌ها بنا می‌شود. این شغل همان مهارت‌ها را با دادهٔ صوتی و مشتری پژوهشی ترکیب می‌کند. ElevenLabs این دو را جدا آگهی می‌کند: Data Engineer برای تیم داده با dbt و ابزارهای BI، و Research Engineer - Data Infrastructure برای دادهٔ آموزش مدل‌ها. Sesame هم در آگهی‌اش از نامزد خواسته بود با دادهٔ بدون ساختار مثل صدا، متن و لاگ JSON راحت باشد، «نه فقط جدول‌های رابطه‌ای تمیز».
مهندس داده‌های سنتتیک داده را با مدل، شبیه‌ساز یا برنامه تولید می‌کند و با ارزیاب خودکار می‌سنجد. مهندس دادهٔ گفتار بیشتر با صدای واقعیِ ضبط‌شده کار می‌کند که از مرکز تماس، استودیو، دیتاست‌های باز یا وب می‌آید. در افزایش داده (augmentation) و pseudo-labelling این دو به هم نزدیک می‌شوند: Skywalker Sound خودکارسازی augmentation و Gnani.ai رونویسی صدای بی‌برچسب با مدل‌های موجود را جزو وظایف آورده‌اند.
مربی هوش مصنوعی با قضاوت انسانی خودش داده می‌سازد: پاسخ مدل را داوری و رتبه‌بندی می‌کند و پاسخ بهتر می‌نویسد. مهندس دادهٔ گفتار سیستمی می‌سازد که کار برچسب‌زن‌ها و رونویس‌ها را سازمان دهد و بسنجد: Gnani.ai نوشتن دستورالعمل برچسب‌گذاری، آموزش برچسب‌زن‌ها، سنجش توافق میان آن‌ها و مدیریت کیفیت و هزینهٔ پیمانکاران را از او می‌خواهد. Deepgram در آگهی خود توجه انسان را «کمیاب‌ترین ورودی این سیستم» می‌نامد.
تأثیر در صنایع مختلف
مهندس دادهٔ یادگیری ماشین (گفتار و صوت) در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
پلتفرم‌های هوش مصنوعی صوتی
Deepgram و ElevenLabs مدل‌های صوتی خود را از طریق API در اختیار توسعه‌دهندگان می‌گذارند و Speechmatics فناوری گفتارش را در سیستم مشتریان ادغام می‌کند؛ هر سه برای کار روی دادهٔ آموزشی نیرو استخدام می‌کنند. Deepgram به گفتهٔ خودش بیش از ۵۰ هزار سال صدا پردازش کرده است
خواندن و دسترس‌پذیری
به گفتهٔ آگهی Speechify، بیش از ۵۰ میلیون نفر با محصولات TTS این شرکت متن را به صدا تبدیل می‌کنند و آگهی محصول را به‌ویژه برای افرادی با تفاوت‌های یادگیری مثل نارساخوانی اثرگذار می‌داند. مهندس دادهٔ این شرکت منبع‌های تازهٔ صدا را به دیتاست آموزشی همین مدل‌ها می‌آورد
فیلم و پساتولید صدا
Skywalker Sound در آگهی‌ای که حالا بسته شده، مهندسی می‌خواست که دیتاست‌های صوتی را برای پژوهش در پردازش گفتار، style transfer و جداسازی منبع صدا آماده کند تا شیوه‌های تازه‌ای برای ساخت صدای فیلم پدید آید
مرکز تماس و خدمات مالی در هند
Gnani.ai برای بیش از ۲۲ زبان هندی ASR می‌سازد و حاکمیت داده‌اش باید با قانون حفاظت دادهٔ هند (DPDP) و در صورت لزوم با انتظارات RBI، IRDAI و HIPAA هماهنگ باشد
سخت‌افزار و دستیار صوتی
Sesame به گفتهٔ آگهی‌اش رایانه‌ای با محوریت ایجنت صوتی می‌سازد و داده‌اش ترکیبی از مکالمه، صدا، سیگنال سنسورها و دادهٔ استفاده از محصول است
فناوری زبان در کشورهای دیگر
Uzinfocom در ازبکستان برای پروژهٔ گفتاری Muxlisa AI مهندس داده‌ای می‌خواهد که صدا را از مراکز تماس و استودیوهای ضبط TTS جمع کند و برای مدل‌های STT، TTS و diarization آماده کند
دادهٔ باز و جامعه‌محور
در Common Voice موزیلا داوطلبان جمله ضبط می‌کنند و صدای دیگران را بازبینی می‌کنند و داده با مجوز CC0 منتشر می‌شود. دیتاست IndicVoices هم ۷٬۳۴۸ ساعت صدا از ۱۶٬۲۳۷ گوینده در ۲۲ زبان هند دارد و نویسندگانش نقشهٔ کامل جمع‌آوری داده، از پروتکل‌ها تا ابزار و دستورالعمل رونویسی، را متن‌باز منتشر کرده‌اند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
مهندس داده یعنی گزارش و داشبورد
در این شغل مشتری اصلی پژوهشگران و مهندسان ML هستند، نه مدیران کسب‌وکار. Sesame در آگهی‌اش نوشته بود نقشش به مهندسی ML نزدیک‌تر است تا تحلیل دادهٔ سنتی و ElevenLabs برای تیم تحلیل داده (با dbt) و برای دادهٔ آموزش مدل دو آگهی جدا دارد.
برای این کار باید متخصص آموزش مدل باشید
آگهی Sesame صریحاً می‌گفت لازم نیست مدل آموزش دهید؛ مهم فهمیدن این است که دیتاست خوب چیست. اما دانستن رفتار مدل لازم است: ElevenLabs آموزش مدل‌های کمکی مثل فیلتر کیفیت را جزو کار می‌داند و Gnani.ai آشنایی پایه با اینکه مدل‌های ASR و TTS داده را چطور مصرف می‌کنند امتیاز می‌شمارد.
کار با صدا یعنی صدابرداری و میکس
دانش صوت دیجیتال لازم است، اما بیشتر کار کد نوشتن است. Speechify سابقهٔ مهندسی نرم‌افزار بک‌اند و تسلط به Python و Bash را می‌خواهد و آگهی Skywalker Sound تسلط به Python و کتابخانه‌هایی مثل Librosa، FFmpeg و SoX را خواسته بود. در عوض گوش هم کنار گذاشته نمی‌شود: Gnani.ai می‌نویسد گوش دادن به صدا و برچسب زدن خودتان بخشی از کار است، چون مشکل‌هایی را نشان می‌دهد که داشبوردها پنهان می‌کنند.
بدون مدرک دانشگاهی مرتبط نمی‌شود وارد شد
شرکت‌ها متفاوت‌اند. ElevenLabs می‌نویسد هیچ مدرک یا گواهی رسمی نمی‌خواهد و نمونه‌کار، طراحی یا مشارکت در GitHub را می‌بیند و Speechify «تجربهٔ عملی معادل» را به جای مدرک می‌پذیرد. در مقابل، آگهی Staff در Skywalker Sound، که حالا بسته شده، کارشناسی ارشد خواسته بود و دکترا را ترجیح می‌داد.
دادهٔ بیشتر همیشه مدل بهتر می‌دهد
آگهی‌ها روی کیفیت، تنوع و تمیزی تقسیم داده تأکید دارند. Gnani.ai می‌نویسد ناهماهنگی در قواعد نوشتن رونوشت به شکل WER ظاهر می‌شود که ربطی به مدل ندارد و یک ضبط نباید هم در آموزش باشد و هم در ارزیابی. Deepgram هم از نامزد می‌خواهد با آزمایش نشان دهد کدام راهبرد داده واقعاً جواب می‌دهد و کدام را فقط همه فرض گرفته‌اند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
در آگهی‌های بررسی‌شده نقشی با این تخصص برای کمتر از ۳ سال سابقه ندیدیم، پس این سطح بیشتر در نقش‌های نزدیک یا زیر نظر یک مهندس ارشد شکل می‌گیرد. کارها مشخص‌اند و بیشتر به آماده‌سازی و بررسی داده مربوط می‌شوند.
- ◆تبدیل قالب و نمونه‌برداری مجدد یک دیتاست باز و گزارش آمار پیش و پس از پردازش
- ◆نوشتن یک بررسی کیفیت ساده، مثلاً پیدا کردن فایل‌های clip شده یا پرسکوت
- ◆گوش دادن به نمونه‌های تصادفی و ثبت مشکل‌های رونوشت
- ◆به‌روزرسانی manifest و dataset card پس از هر تغییر
میانی (۲–۵ سال)
مالک یک دیتاست یا pipeline هستید و نقطهٔ تماس پژوهشگران برای داده. Gnani.ai این سطح را با ۳ تا ۶ سال سابقه آگهی کرده و از او می‌خواهد درخواست تیم‌های ASR، TTS و LLM را بگیرد، بفهمد واقعاً چه لازم است و زیرمجموعهٔ درست را با فرادادهٔ درست تحویل دهد.
- ◆ساخت مرحلهٔ قطعه‌بندی با VAD و هم‌ترازی متن و صدا برای یک منبع تازهٔ داده
- ◆اجرای pseudo-labelling و تنظیم آستانهٔ اطمینان برای فرستادن موارد مشکوک به بازبینی انسانی
- ◆بررسی اینکه هیچ گویندهٔ مجموعهٔ تست در دادهٔ آموزش نباشد
- ◆تحلیل WER به تفکیک زبان، گوینده و کانال برای پیدا کردن جایی که داده کم است
ارشد (۵+ سال)
تمرکز روی طراحی سیستم در مقیاس بزرگ، هزینه و سرعت پردازش، کشف منبع‌های تازهٔ داده و قواعد حاکمیت داده است. Speechify برای این سطح دست‌کم ۵ سال سابقه می‌خواهد و آگهی‌های Sesame و Skywalker Sound، که حالا بسته شده‌اند، دست‌کم ۵ سال و برای Staff دست‌کم ۸ سال خواسته بودند.
- ◆طراحی معماری پردازش توزیع‌شده برای دیتاست‌هایی در مقیاس پتابایت (عبارت آگهی Speechify) و بهینه‌سازی هزینهٔ آن
- ◆تعریف چارچوب کیفیت داده که مشکل را پیش از رسیدن به مدل بگیرد
- ◆تعیین قواعد حریم خصوصی و نگه‌داری برای صدا و رونوشت
- ◆طراحی آزمایش برای سنجیدن اثر یک تغییر داده روی کیفیت مدل
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈کشف منبع‌های تازهٔ دادهٔ صوتی (دیتاست‌های باز، وب، دادهٔ مشتری، ضبط سفارشی) و ساخت pipeline برای آوردن آن‌ها به دیتاست آموزشی
- ◈تبدیل صدای خام به دادهٔ قابل آموزش: تبدیل قالب و نمونه‌برداری مجدد، یکسان‌سازی بلندی، قطعه‌بندی با VAD، تشخیص گوینده و هم‌ترازی متن و صدا
- ◈ساخت بررسی‌های خودکار کیفیت (نویز، clipping، قطعه‌های ناقص یا پرسکوت، ناهمخوانی صدا و رونوشت) و حذف داده‌های تکراری
- ◈سازمان دادن رونویسی و برچسب‌گذاری: نوشتن دستورالعمل، pseudo-labelling با مدل‌های موجود و فرستادن موارد مشکوک به بازبینی انسانی
- ◈ساخت و نگه‌داری مجموعه‌های ارزیابی ثابت و نسخه‌دار، بدون گویندهٔ مشترک با دادهٔ آموزش
- ◈نسخه‌بندی، کاتالوگ و مستندسازی دیتاست‌ها همراه با منبع، مجوز و مبنای رضایت هر داده
- ◈بهینه‌سازی پردازش در مقیاس بزرگ برای کیفیت، سرعت و هزینه، و پایش pipeline ها
- ◈کار نزدیک با پژوهشگران و مهندسان ML برای فهم نیاز دادهٔ هر مدل یا آزمایش و تحویل همان زیرمجموعه با فرادادهٔ درست
- ◈اجرای قواعد حریم خصوصی و حاکمیت داده برای صدا و رونوشت، و «نه» گفتن به درخواستی که رضایت یا تمیزی تقسیم داده را زیر پا بگذارد
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس دادهٔ یادگیری ماشین (گفتار و صوت) موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان اصلی همهٔ آگهی‌ها؛ Gnani.ai Python عملی با pandas یا polars را برای کار با فایل و pipeline در مقیاس بزرگ می‌خواهد، نه فقط در notebook
کار با هزاران فایل صوتی از خط فرمان؛ Speechify و Muxlisa AI آن را جزو شرایط پایه آورده‌اند
نرخ نمونه‌برداری، عمق بیت، کانال، بلندی و اثر فشرده‌سازی؛ Muxlisa AI درک مبانی پردازش سیگنال صوتی را می‌خواهد
FFmpeg، SoX، librosa و torchaudio برای تبدیل، برش و بررسی صدا (Skywalker Sound، Gnani.ai، Muxlisa AI)
قطعه‌بندی با VAD، diarization، forced alignment و ساخت جفت صدا و متن برای train/dev/test
Airflow، Dagster یا Prefect برای pipeline های خودکار و تکرارپذیر (Sesame، Gnani.ai، Skywalker Sound)
Speechmatics آن را در کنار Python جزو شرایط پایه آورده و Sesame هم در آگهی‌اش استفادهٔ روزانه از هر دو را نوشته بود
snapshot های تکرارپذیر، ردگیری مسیر داده و dataset card (Sesame، Gnani.ai)
سنجش کیفیت رونوشت و تفکیک خطا به زبان، گوینده و کانال (Gnani.ai)
S3، GCS یا MinIO؛ Speechify از GCP و Terraform نام می‌برد و آگهی Skywalker Sound از AWS S3 و BigQuery نام برده بود
بسته‌بندی و اجرای pipeline ها؛ در آگهی‌های Speechmatics و Skywalker Sound آمده است
Spark یا Ray برای کارهای بزرگ؛ ElevenLabs پردازش توزیع‌شده در مقیاس را از شرایط اصلی می‌داند
مهارت‌های نرم
Gnani.ai می‌نویسد کسی بالای این نقش نیست که مشکل داده را بگیرد؛ «شما همان کسی هستید»
دیدن اینکه دو فایل قواعد رونویسی کمی متفاوت دارند، پیش از آنکه مدلی روی آن‌ها آموزش ببیند (Gnani.ai)
Speechify کار مستقل در محیط مبهم و Speechmatics پیدا کردن و حل مشکل بدون دستور جزئی را می‌خواهند
آگهی Sesame خواسته بود میان سیستم‌های داده و نیاز مدل پل بزنید؛ Deepgram توضیح یافته‌ها برای مخاطب غیرفنی را
Gnani.ai می‌خواهد درخواستی را که تقسیم داده، رضایت یا مقررات را زیر پا بگذارد رد کنید و دلیلش را طوری توضیح دهید که درخواست‌کننده بپذیرد
دانش حوزه‌ای
Gnani.ai صدا، رونوشت و embedding گوینده را دادهٔ شخصی حساس و embedding را بیومتریک می‌داند؛ Sesame هم قواعد حریم خصوصی دادهٔ صوتی را جزو کار آورده بود
Gnani.ai ثبت منبع، مجوز و مدت نگه‌داری هر داده را می‌خواهد و آگهی Skywalker Sound رعایت مقررات حقوقی و اخلاقی استفاده از دادهٔ بیرونی را خواسته بود
شکل عددها، نویسه‌گردانی، کدسوییچ و نشانه‌گذاری؛ Gnani.ai این بخش را برای زبان‌های هندی بیشترِ کار می‌داند
دانستن اینکه مدل داده را چطور مصرف می‌کند و کیفیت داده چه اثری روی آن دارد (Skywalker Sound، Gnani.ai، Deepgram)
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس دادهٔ یادگیری ماشین (گفتار و صوت)
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، خط فرمان Linux، SQL و Git
بیشتر کار این شغل نوشتن اسکریپت و pipeline است. Speechify تسلط به Python و Bash در محیط Linux را جزو شرایط پایه آورده و Sesame در آگهی‌اش نوشته بود هر روز با SQL و Python کار خواهید کرد. Python را تا جایی یاد بگیرید که با فایل، پوشه، JSON و کتابخانه‌های pandas یا polars راحت باشید، و خط فرمان را برای کار با هزاران فایل صوتی جدی بگیرید.
صوت دیجیتال و ابزارهای پردازش صدا
باید بدانید یک فایل صوتی از چه ساخته شده است: نرخ نمونه‌برداری، عمق بیت، تعداد کانال، بلندی صدا و اثر فشرده‌سازی. آگهی بسته‌شدهٔ Hippocratic AI آشنایی با همین مفاهیم را شرط کرده بود، Gnani.ai و Muxlisa AI کار عملی با librosa، FFmpeg، SoX یا torchaudio را می‌خواهند و آگهی Skywalker Sound هم، که حالا بسته شده، همین ابزارها را خواسته بود. با این ابزارها صدا را تبدیل قالب و نمونه‌برداری مجدد کنید، سکوت‌ها را ببُرید، بلندی را یکسان کنید و spectrogram بکشید.
مهندسی داده: pipeline، زمان‌بندی کار و ذخیره‌سازی
حالا همان پردازش‌ها را به pipeline تکرارپذیر تبدیل کنید که خودکار اجرا شود، خطا را گزارش دهد و دوباره قابل اجرا باشد. Gnani.ai ذخیره‌سازی شیء (object storage)، قالب‌های تکه‌تکه (sharded) برای سرعت آموزش، orchestration با Airflow، Prefect یا Dagster، Git و Docker را می‌خواهد و آگهی Sesame هم تجربه با Airflow، Dagster یا Prefect را خواسته بود. قالب Parquet و فایل‌های manifest با قالب JSONL را هم یاد بگیرید؛ Gnani هر دو را نام برده است.
دادهٔ گفتار برای مدل: قطعه‌بندی، هم‌ترازی، برچسب و سنجش
این مرحله شما را از مهندس دادهٔ عمومی جدا می‌کند. Gnani.ai کار را تبدیل صدای خام به «ساعت‌های قابل آموزش» توصیف می‌کند: قطعه‌بندی با VAD، تشخیص گوینده (diarization)، هم‌ترازی اجباری متن و صدا (forced alignment)، حذف تکراری‌ها و نرمال‌سازی متن. باید بدانید مدل‌های ASR و TTS داده را چطور مصرف می‌کنند و خطای رونوشت را با WER و CER بسنجید. ساختار دیتاست‌های شناخته‌شده‌ای مثل LibriSpeech و LJ Speech را باز کنید و ببینید چه تصمیم‌هایی پشت آن‌هاست.
مقیاس، کیفیت داده و حاکمیت داده
در سطح بالاتر، کار پردازش ده‌ها هزار ساعت صدا روی چند ماشین، سنجیدن اثر داده روی مدل و نگه داشتن سابقهٔ منبع، مجوز و رضایت است. ElevenLabs از نامزد می‌خواهد خودش بسنجد کیفیت، ترکیب و پالایش داده چه اثری روی نتیجهٔ مدل دارد و ابزار این سنجش را بسازد. آگهی Sesame نسخه‌بندی و ردگیری مسیر داده (lineage) را خواسته بود تا هر آموزش مدل را بشود به دادهٔ دقیقش برگرداند. برای مستندسازی، الگوی Datasheets for Datasets و dataset card های Hugging Face نقطهٔ شروع خوبی‌اند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
پردازش صوت
تبدیل قالب، نمونه‌برداری مجدد و برش فایل‌های صوتی در مقیاس زیاد؛ در آگهی‌های Skywalker Sound و Gnani.ai آمده است
خواندن و تحلیل صدا در Python، ساخت spectrogram و بررسی سیگنال؛ Skywalker Sound و Muxlisa AI آن را نام برده‌اند
ابزار خط فرمان برای تبدیل و ویرایش دسته‌ای صدا (تغییر نرخ نمونه، برش سکوت، تغییر بلندی)؛ در آگهی‌های Skywalker Sound و Gnani.ai آمده است
آماده‌سازی دادهٔ گفتار
ابزار متن‌باز هم‌ترازی اجباری (forced alignment) متن با صدا؛ Gnani.ai تجربه با ابزارهای forced alignment را امتیاز می‌داند
ابزار NVIDIA برای ساخت دیتاست گفتار با manifest های قالب NeMo؛ طبق README می‌تواند با اجرای ASR جمله‌هایی را که رونوشتشان با خروجی مدل خیلی فرق دارد حذف کند
pipeline و پردازش در مقیاس
زمان‌بندی و اجرای مرحله‌به‌مرحلهٔ pipeline ها؛ Skywalker Sound، Sesame و Gnani.ai آن را نام برده‌اند
ابزار دیگری برای زمان‌بندی و اجرای pipeline های داده؛ در فهرست Sesame و Gnani.ai در کنار Airflow آمده است
پردازش موازی داده برای کارهای AI روی چند ماشین؛ در آگهی‌های Gnani.ai و Sesame برای کارهای بزرگ Ray یا Spark امتیاز به حساب آمده است
کیفیت، برچسب‌گذاری و نسخه‌بندی
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ورود از نقش نزدیک
۰ تا ۲ سال
در آگهی‌های بررسی‌شده نقش جونیور با این تخصص ندیدیم. Gnani.ai سابقه در مهندسی داده، تحلیل داده یا کار دادهٔ ML را می‌پذیرد، پس شروع از مهندسی دادهٔ عمومی یا تحلیل داده و ساختن پروژه‌های صوتی در کنار آن مسیر منطقی است
مهندس دادهٔ گفتار
۳ تا ۶ سال
مالکیت یک دیتاست یا pipeline از منبع تا تحویل: قطعه‌بندی، هم‌ترازی، کنترل کیفیت، نسخه‌بندی و پاسخ به درخواست‌های داده؛ همان چیزی که Gnani.ai و Muxlisa AI با ۳ تا ۶ سال سابقه می‌خواهند
مهندس ارشد دادهٔ ML
۵+ سال
طراحی سیستم‌های پردازش داده در مقیاس بزرگ با توجه به کیفیت، سرعت و هزینه، کشف منبع‌های تازهٔ داده و همکاری نزدیک با پژوهشگران؛ Speechify برای این سطح دست‌کم ۵ سال سابقه می‌خواهد و آگهی بسته‌شدهٔ Sesame هم همین را خواسته بود
Staff / مدیر تیم داده
۸+ سال
تعیین جهت فنی برای دادهٔ آموزشی یک شرکت یا رهبری تیم داده؛ Cartesia برای Engineering Manager, Data مدیریت تیمی ۶ تا ۸ نفره را می‌خواهد که قرار است به حدود ۱۲ نفر برسد و آگهی Staff در Skywalker Sound، که حالا بسته شده، دست‌کم ۸ سال سابقه خواسته بود
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
خطای داده تا دیر نشده دیده نمی‌شود
عمومیمشکل داده معمولاً وقتی پیدا می‌شود که مدل روی آن آموزش دیده است. Gnani.ai می‌نویسد هیچ مقدار زمان GPU دیتاستی را که با بی‌دقتی ساخته شده جبران نمی‌کند و از مهندس می‌خواهد پیش از آموزش متوجه مشکل شود. Sesame هم در آگهی‌اش چارچوب کیفیتی خواسته بود که مشکل را پیش از تبدیل شدن به مشکل کیفیت مدل بگیرد.
نشت داده میان آموزش و ارزیابی
عمومیاگر صدای یک گوینده یا یک ضبط هم در آموزش باشد و هم در تست، عدد ارزیابی بهتر از واقعیت می‌شود. Gnani.ai برای همین اثرانگشت صوتی و تشخیص متن‌های تقریباً تکراری را می‌خواهد و از مهندس انتظار دارد اگر نتیجه‌ای این قاعده را زیر پا گذاشت، جلویش را بگیرد.
حریم خصوصی، رضایت و مجوز
شرکت بزرگصدا دادهٔ شخصی است و embedding گوینده طبق آگهی Gnani.ai دادهٔ بیومتریک با بیشترین حساسیت. باید برای هر داده معلوم باشد از کجا آمده، با چه مجوز یا قراردادی، چقدر نگه داشته می‌شود و کی حذف می‌شود. Skywalker Sound هم در آگهی‌اش رعایت مقررات حقوقی و اخلاقی را برای دیتاست‌های بیرونی شرط کرده بود.
مقیاس و هزینهٔ پردازش
استارتاپصدا حجم زیادی دارد و پردازشش گران است. Speechify از بهینه‌سازی هم‌زمان کیفیت، سرعت و هزینه می‌گوید و Speechmatics از بهینه‌سازی استفاده از GPU و زمان‌بندی کارها. تصمیم‌هایی مثل قالب ذخیره و نحوهٔ تکه‌تکه کردن داده مستقیم روی هزینه و سرعت آموزش اثر دارد.
هر زبان قواعد خودش را دارد
عمومیGnani.ai می‌نویسد برای دادهٔ زبان‌های هندی بیشتر کار در بخش متن است: قواعد املایی، شکل عددها، نویسه‌گردانی و کدسوییچ. Deepgram هم یادآوری می‌کند گفتار گوینده، لهجه، احساس، هم‌پوشانی صحبت و شرایط صوتی متفاوت دارد و کار با آن بسیار سخت‌تر از متن است.
سنجیدن اثر داده روی مدل
تحقیقاتیثابت کردن اینکه یک تغییر داده مدل را بهتر کرده کار ساده‌ای نیست و آزمایش و منابع محاسباتی می‌خواهد. ElevenLabs همین توان را از نامزد می‌خواهد و Deepgram اجرای آزمایش‌هایی را که راهبرد مؤثر را از راهبرد فرضی جدا کند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس دادهٔ یادگیری ماشین (گفتار و صوت)
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Lucasfilm (Skywalker Sound) posting, Staff Data Engineer (Audio/ML) (Nicasio CA, 8+ years + Master's), posted Mar 3, 2026, archived copy of Mar 5, 2026 (posting closed by Nov 12, 2026): hiring range; median = midpoint
- Sesame posting, Data Engineer, Machine Learning (San Francisco, 5+ years), posted Jun 23, 2026, archived copy of Oct 12, 2026 (posting closed by Nov 12, 2026): pay range; median = midpoint
- Speechify posting, Software Engineer, AI Data (US remote, 5+ years), posted Oct 19, 2026, still open Nov 12, 2026: US base range; median = midpoint
- levels.fyi, updated Oct 23, 2026, title 'Data Engineer' (generic title; no speech-specific figure), total comp (1,194 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 23, 2026, title 'Data Engineer' (generic title), total comp (131 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 23, 2026, title 'Data Engineer' (generic title), total comp (125 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 23, 2026, title 'Data Engineer' (generic title), total comp (70 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 23, 2026, title 'Data Engineer' (generic title), total comp (64 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 23, 2026, title 'Data Engineer' (generic title), total comp (675 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: صوت دیجیتال
مفاهیم نرخ نمونه، عمق بیت، کانال و spectrogram را یاد بگیرید و با librosa چند فایل را بخوانید و تحلیل کنید.
ماه ۲: ابزارهای خط فرمان صوتی
با FFmpeg و SoX یک دیتاست کوچک را تبدیل قالب، یکسان‌سازی و برش دهید؛ پروژهٔ اول پورتفولیو همین است.
ماه ۳: قطعه‌بندی و هم‌ترازی
با VAD و forced alignment از یک فایل بلند و متن آن قطعه‌های کوتاه با رونوشت بسازید و manifest تحویل دهید.
ماه ۶: مستندسازی و درخواست کار
برای دیتاست خود dataset card بنویسید و رزومه را با زبان آگهی‌ها بنویسید: منبع داده، pipeline، کنترل کیفیت، نسخه‌بندی.
پروژه‌های پیشنهادی برای رزومه
pipeline پاکسازی و یکسان‌سازی صدا
مبتدیبخشی از LJ Speech یا مجموعه‌ای از فایل‌های صوتی خودتان را بگیرید و با FFmpeg، SoX یا librosa همه را به یک قالب (مثلاً WAV تک‌کاناله با نرخ ۱۶ کیلوهرتز) ببرید، سکوت ابتدا و انتها را ببرید و بلندی را یکسان کنید. گزارشی بسازید که پیش و پس از پردازش، مدت، نرخ نمونه و تعداد فایل‌های clip شده را نشان دهد.
ساخت دیتاست ASR با تقسیم بدون گویندهٔ مشترک
متوسطاز یک فایل صوتی بلند و متن آن (مثلاً یک کتاب صوتی آزاد) با VAD و forced alignment قطعه‌های کوتاه با رونوشت بسازید و یک manifest با قالب JSONL تحویل دهید. train، dev و test را طوری جدا کنید که هیچ گوینده‌ای در دو بخش نباشد و یک dataset card بنویسید که منبع، مجوز و محدودیت‌ها را ثبت کند؛ Gnani.ai همین را «split hygiene» می‌نامد.
Pseudo-label با Whisper و فیلتر بر اساس توافق
متوسطصدای بی‌برچسب را با دو مدل ASR (مثلاً دو اندازهٔ Whisper) رونویسی کنید، قطعه‌هایی را که دو خروجی با هم نمی‌خوانند جدا کنید و روی یک مجموعهٔ کوچک با رونوشت دستی WER را بسنجید. این همان روشی است که Gnani.ai می‌خواهد: رونویسی با مدل‌های موجود، فیلتر بر اساس اطمینان و توافق مدل‌ها و فرستادن موارد مشکوک به بازبینی انسانی.
pipeline خودکار با کنترل کیفیت و نسخه‌بندی
پیشرفتهپروژههای قبلی را در Airflow یا Dagster به یک pipeline زمان‌بندی‌شده تبدیل کنید که فایل تازه را بگیرد، بررسی‌های کیفیت (clipping، قطعه‌های پرسکوت، فایل‌های تکراری) را اجرا کند و خروجی را با DVC نسخه بزند. یک صفحهٔ ساده با Gradio هم بسازید که نمونه‌های رد‌شده را برای شنیدن نشان دهد؛ Gnani.ai ساخت ابزارهای کوچک داخلی برای QC و گوش دادن را از وظایف آورده است.
آزمایش اثر داده روی مدل (data ablation)
پیشرفتهیک مدل کوچک ASR را دو بار fine-tune کنید: یک بار با دادهٔ خام و یک بار با دادهٔ پالایش‌شدهٔ pipeline خودتان، و WER را روی یک مجموعهٔ تست ثابت مقایسه کنید. نتیجه را صادقانه بنویسید، حتی اگر پالایش کمکی نکرده باشد. ElevenLabs دقیقاً همین توان را می‌خواهد: سنجیدن اینکه کیفیت و ترکیب داده چه اثری روی نتیجهٔ مدل دارد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
پژوهشگر تعامل انسان و کامپیوتر (HCI) و کارآفرینی که روی فناوری جامعه‌محور، دادهٔ باز و هوش مصنوعی فراگیر کار می‌کند. کارشناسی ارشد تاریخ مدرن را از دانشگاه Oxford گرفته و طبق همین منبع، دکترای خود را در دانشگاه Sussex روی کنترل‌پذیری هوش مصنوعی گفتاری و مکالمه‌ای برای نوجوانان می‌گذراند.
معاون (VP) بنیاد Mozilla و مدیر Common Voice بود، پلتفرمی متن‌باز که به جامعه‌ها در سراسر جهان امکان می‌دهد زبانشان را برای آیندهٔ فناوری گفتار حفظ کنند و در آن سهم داشته باشند. امروز بنیان‌گذار و مدیرعامل Mozilla Data Collective است، پلتفرمی جامعه‌محور برای ساخت، گزینش و کنترل اخلاقی دیتاست‌های آموزش AI.
مسیر او نشان می‌دهد دادهٔ صوتی فقط مسئلهٔ فنی نیست: اینکه چه کسی داده را می‌دهد، با چه شرطی و برای کدام زبان، به همان اندازهٔ کیفیت فایل‌ها اهمیت دارد. پیشینهٔ تاریخ و علوم انسانی هم در این حوزه بی‌استفاده نماند.
دکترا و کارشناسی ارشد خود را از IIT Bombay گرفت و پیش از پیوستن به IIT Madras چهار سال و نیم پژوهشگر IBM Research India بود. امروز دانشیار دانشکدهٔ علم داده و هوش مصنوعی IIT Madras است و آزمایشگاه AI4Bharat را اداره می‌کند که روی ساخت دیتاست، ابزار، مدل و برنامه برای زبان‌های هندی کار می‌کند.
از نویسندگان IndicVoices (ACL ۲۰۲۴) است، دیتاست گفتار چندزبانه برای زبان‌های هندی، و IndicVoices-R (NeurIPS ۲۰۲۴، بخش دیتاست‌ها و بنچمارک‌ها) برای TTS. جایزهٔ Google Faculty Research Award (۲۰۱۸) را هم گرفته است.
کار او نشان می‌دهد برای زبان‌هایی که دادهٔ کافی ندارند، ساختن دیتاست خودش دستاوردی پژوهشی و قابل انتشار است. آگهی Gnani.ai هم آشنایی با دیتاست‌های اکوسیستم AI4Bharat را از مهندس دادهٔ گفتار می‌خواهد.
زبان‌شناس آمریکایی که پس از دو سال خدمت در ارتش آمریکا در ویتنام، کارشناسی ارشد (۱۹۷۲) و دکترای زبان‌شناسی (۱۹۷۵) را از MIT گرفت و از ۱۹۷۵ تا ۱۹۹۰ در Bell Labs کار کرد. امروز استاد زبان‌شناسی دانشگاه پنسیلوانیا با انتصاب دوم در دانشکدهٔ علوم کامپیوتر است.
مدیر مؤسس کنسرسیوم دادهٔ زبانی (LDC) است و طبق ویکی‌پدیا بخش زیادی از پژوهش‌هایش با تحلیل محاسباتی پیکره‌های زبانی انجام می‌شود. در ۲۰۱۷ جایزهٔ IEEE James L. Flanagan در پردازش گفتار و صوت را گرفت و در ۲۰۱۲ همراه Steven Bird پروژه‌ای برای جمع‌آوری داده از زبان‌های در خطر با تلفن همراه آغاز کرد که به اپلیکیشن Aikuma رسید.
دهه‌ها پیش از مدل‌های بزرگ امروز، کسانی مثل او ساختن و توزیع دادهٔ گفتار را کاری مستقل و مهم می‌دانستند. یادآوری خوبی است که دیتاست خوب عمری طولانی‌تر از مدلی دارد که با آن ساخته می‌شود.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Software Engineer, AI Data
تحلیل نیازمندی‌ها
A degree in Computer Science or a related field, or equivalent practical experience.
مدرک علوم کامپیوتر کمک می‌کند، اما عبارت «equivalent practical experience» یعنی سابقهٔ کاری و نمونه‌کار می‌تواند جای مدرک را بگیرد. اگر از رشتهٔ دیگری می‌آیید، باید مهارتتان را با پروژه‌های واقعی نشان دهید.
مهم5+ years of professional software engineering experience, with strong backend development fundamentals.
عنوان این آگهی Software Engineer است، نه Data Engineer: Speechify پیش از هر چیز یک مهندس نرم‌افزار بک‌اند باتجربه می‌خواهد. شرط ۵ سال مخصوص همین سطح است؛ Gnani.ai و Muxlisa AI کار مشابهی را با ۳ تا ۶ سال سابقه آگهی کرده‌اند.
ضروریProficiency in Python and Bash in Linux environments.
دادهٔ صوتی یعنی تعداد زیادی فایل روی سرورهای Linux. منطق pipeline را با Python می‌نویسید و برای کار سریع با فایل‌ها و پوشه‌ها و اجرای ابزارهای خط فرمان به Bash نیاز دارید.
ضروریExperience building and operating production systems, ideally involving data pipelines or large-scale data processing.
فرق اسکریپت یک‌باره با سیستم پروداکشن همین‌جاست: pipeline باید مرتب و بدون کار دستی اجرا شود، خطا را گزارش دهد و با بزرگ شدن داده از کار نیفتد. اگر تا حالا فقط در notebook کار کرده‌اید، ساختن و نگه‌داشتن یک pipeline زمان‌بندی‌شده قدم اول است.
ضروریStrong problem-solving skills, initiative, and the ability to work independently in ambiguous environments.
کار در Speechify کاملاً دورکار است و کسی کنار دستتان نیست که مسئله را برایتان تعریف کند. باید خودتان بفهمید مشکل اصلی کجاست و بدون دستور جزئی پیش بروید.
مهمExperience with web crawlers, data acquisition, or distributed data-processing systems.
این مورد در فهرست «Nice to Have» آمده، اما مستقیم به اولین وظیفهٔ آگهی، یعنی پیدا کردن و آوردن دادهٔ صوتی تازه، مربوط است. Speechmatics و ElevenLabs هم تجربه با web scraping یا crawler را در آگهی‌هایشان آورده‌اند.
مفیدExperience with cloud infrastructure and Infrastructure as Code, particularly GCP and Terraform.
عبارت «particularly GCP and Terraform» نشان می‌دهد این تیم بیشتر با GCP و Terraform کار می‌کند. آشنایی با یک ابر بزرگ و مفهوم تعریف زیرساخت به شکل کد کافی است.
مفیدFamiliarity with ML training data, dataset quality, or audio processing.
دانش صوت و دادهٔ آموزشی در بخش امتیازی این آگهی آمده، نه در شرایط اصلی؛ یعنی برای این نقش پایهٔ مهندسی نرم‌افزار مهم‌تر از سابقه در حوزهٔ صوت است. با این حال، همین آشنایی شما را از دیگر نامزدهای بک‌اند جدا می‌کند و یک پروژهٔ پورتفولیو با دادهٔ صوتی برای نشان دادنش کافی است.
مفیدتحلیل مسئولیت‌ها
Discover new sources of audio data and build reliable pipelines to bring them into our training datasets.
هستهٔ این شغل: منبع تازهٔ صدا پیدا کنید، ببینید قابل استفاده هست یا نه و pipeline ای بسازید که آن را مرتب به دیتاست آموزشی برساند. کلمهٔ «reliable» مهم است؛ pipeline باید بارها و بدون کار دستی اجرا شود.
Build and improve large-scale data-processing systems, optimizing for data quality, throughput, and cost.
Speechify به گفتهٔ آگهی دیتاست‌هایش را در مقیاس پتابایت و با هزینهٔ کم می‌سازد. در این مقیاس هر تصمیم، از قالب ذخیرهٔ فایل تا تعداد ماشین‌ها، روی هزینه و سرعت اثر دارد و باید میان کیفیت داده، سرعت پردازش و هزینه تعادل پیدا کنید.
Collaborate closely with AI Scientists to improve training datasets and support the development of next-generation models.
مشتری شما پژوهشگران AI هستند. باید بفهمید مدل بعدی به چه داده‌ای نیاز دارد و درخواست کلی مثل «دادهٔ متنوع‌تر» را به تغییر مشخص در دیتاست تبدیل کنید.
Take ownership of engineering projects from problem discovery through implementation and continuous improvement.
از شما انتظار دارند مسئله را خودتان پیدا کنید، راه‌حل را بسازید و پس از تحویل هم بهترش کنید. در مصاحبه، پروژه‌ای را تعریف کنید که از ابتدا تا انتها مال خودتان بوده است.
نتیجه‌گیری کلی
این آگهی هستهٔ این شغل را در چهار جمله خلاصه می‌کند: منبع تازهٔ دادهٔ صوتی پیدا کنید، برای آوردنش به دیتاست آموزشی pipeline قابل اعتماد بسازید، پردازش در مقیاس بزرگ را برای کیفیت، سرعت و هزینه بهینه کنید و کنار پژوهشگران AI کار کنید. عنوان آگهی Software Engineer است و دانش صوت فقط امتیاز به حساب آمده؛ پس در Speechify پایهٔ قوی مهندسی نرم‌افزار بک‌اند، Python و Bash مهم‌تر از سابقه در حوزهٔ صوت است. بازهٔ حقوق پایه برای آمریکا ۱۴۰ تا ۲۰۰ هزار دلار در سال، به‌علاوهٔ پاداش و سهام، اعلام شده است. شرط ۵ سال سابقه مخصوص سطح ارشد است؛ Gnani.ai و Muxlisa AI کار مشابهی را با ۳ تا ۶ سال سابقه آگهی کرده‌اند.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا برای گروه رسمی Database Architects، که O*NET عنوان Data Engineer را در فهرست عنوان‌های آن آورده، از ۲۰۲۵ تا ۲۰۳۵ رشد ۹٪ پیش‌بینی می‌کند (از ۶۹٬۵۰۰ به ۷۶٬۰۰۰ شغل) و یکی از دلایل را به‌کارگیری هوش مصنوعی برای پردازش داده در سازمان‌ها می‌داند. آمار رسمی جداگانه‌ای برای مهندسی دادهٔ گفتار و صوت وجود ندارد.
منبع: BLS Employment Projections 2025–35 (Database Architects)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ شرکت‌کننده در نظرسنجی «متخصصان کلان‌داده» (Big Data Specialists) را در صدر سریع‌ترین شغل‌های در حال رشد تا ۲۰۳۰ (از نظر درصد) گذاشته‌اند؛ «متخصصان انبار داده» هم در همین فهرست رتبهٔ ششم را دارند.
BLS پیش‌بینی می‌کند اشتغال Database Architects، گروهی که O*NET عنوان Data Engineer را در آن می‌گذارد، از ۲۰۲۵ تا ۲۰۳۵ در آمریکا ۹٪ رشد کند، در حالی که برای کل گروه مدیران و معماران پایگاه داده ۴٪ و برای مدیران پایگاه داده رشدی پیش‌بینی نمی‌کند.
بخشی از کارهای دستی این شغل خودکار می‌شود: ElevenLabs در pipeline های داده‌اش مدل‌هایی برای فیلتر کیفیت و برچسب‌گذاری آموزش می‌دهد، Gnani.ai رونویسی صدای بی‌برچسب با مدل‌های موجود را جزو کار آورده و Deepgram از کارکنانش انتظار دارد AI را در کار روزانه به کار ببرند و میزان اثرش را می‌سنجد. پس ارزش مهندس بیشتر در طراحی سیستم، قضاوت دربارهٔ کیفیت و سنجیدن اثر داده روی مدل است. ریسک دیگر پراکندگی عنوان شغلی است: همین کار با نام‌های مختلف آگهی می‌شود و پیدا کردن آگهی‌ها بدون خواندن شرح وظایف سخت است. مقررات حریم خصوصی هم سخت‌گیرتر می‌شود؛ Gnani.ai صدا را دادهٔ شخصی حساس و embedding گوینده را دادهٔ بیومتریک می‌داند.
منابع
اطلاعات این صفحه در تاریخ ۲۱ آبان ۱۴۰۵ از این ۳۳ منبع بررسی شده است.
- Software Engineer, AI Data — Speechify (job posting)
- Software Engineer, AI Data — Speechify (job posting, Wayback copy Nov 12, 2026)
- Data Engineer (Speech/Language Data) — Gnani.ai (job posting)
- ML Data & Platform Engineer — Speechmatics (job posting)
- Staff Data Engineer (Audio/ML) — Lucasfilm / Skywalker Sound (job posting, Wayback copy Mar 2026; closed by Nov 2026)
- Data Engineer, Machine Learning — Sesame (job posting, Wayback copy Oct 2026; closed by Nov 2026)
- Research Engineer - Data Infrastructure — ElevenLabs (job posting)
- Data Engineer — ElevenLabs (job posting, analytics team)
- Middle/Senior Data Engineer (Muxlisa AI) — Uzinfocom (job posting, Russian)
- Senior Data Scientist, Audio — Deepgram (job posting)
- Engineering Manager, Data — Cartesia (job posting)
- Audio Data Engineer - Speech Cleaning & Pipeline Automation (TTS) — Hippocratic AI (closed posting)
- levels.fyi — Data Engineer salaries, United States
- levels.fyi — Data Engineer salaries, Canada
- levels.fyi — Data Engineer salaries, United Kingdom
- levels.fyi — Data Engineer salaries, Germany
- levels.fyi — Data Engineer salaries, Netherlands
- levels.fyi — Data Engineer salaries, India
- BLS Occupational Outlook Handbook — Database Administrators and Architects
- O*NET OnLine — 15-1243.00 Database Architects
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Robust Speech Recognition via Large-Scale Weak Supervision (Whisper paper, arXiv)
- IndicVoices: Towards building an Inclusive Multilingual Speech Dataset for Indian Languages (arXiv)
- LibriSpeech ASR corpus — OpenSLR (SLR12)
- The LJ Speech Dataset — Keith Ito
- Common Voice — Wikipedia
- Linguistic Data Consortium — Wikipedia
- Mark Liberman — Wikipedia
- Mitesh M. Khapra — homepage, IIT Madras
- Machine Ethics podcast — Data Collective with E.M. Lewis-Jong
- NVIDIA NeMo Speech Data Processor — GitHub
- Lhotse — GitHub
- Datasheets for Datasets — Gebru et al. (arXiv)