مهندس تشخیص گفتار
Speech Recognition Engineer
مهندس تشخیص گفتار سیستم‌هایی می‌سازد که صدای انسان را به متن تبدیل می‌کنند (ASR یا speech-to-text): از رونویسی جلسه‌ها و تماس‌های مرکز تماس تا یادداشت‌نویسی پزشکی، دستیار صوتی خودرو و ایجنت‌های صوتی بلادرنگ. کار شامل آماده‌کردن دادهٔ صوتی، آموزش و fine-tune کردن مدل‌هایی مثل Whisper و Conformer، سنجش خطا با WER و رساندن مدل به پروداکشن با تأخیر کم است. عنوان دقیق Speech Recognition Engineer در آگهی‌های ۲۰۲۶ کمیاب است و همین کار بیشتر با عنوان‌هایی مثل Machine Learning Engineer (Speech)، Applied Scientist, Speech، Research Engineer, Audio and Speech یا ASR Engineer آگهی می‌شود.
مقدمه و تعریف شغل
مهندس تشخیص گفتار (Speech Recognition Engineer یا ASR Engineer) سیستمی می‌سازد که صدای انسان را به متن درست تبدیل کند، در شرایط واقعی: با نویز، لهجه، کانال تلفن، چند گوینده و واژه‌های تخصصی. کار سه بخش دارد که در آگهی‌ها کنار هم می‌آیند: داده (جمع‌آوری، پاکسازی و برچسب‌گذاری صدا)، مدل (انتخاب، آموزش و fine-tune کردن مدل‌هایی مثل Whisper، wav2vec2 و Conformer و سنجش آن با WER) و پروداکشن (اجرای سریع و پایدار، پایش و رفع خطا). آگهی Level AI کار را «آموزش، استقرار و نگه‌داری pipelineهای مقیاس‌پذیر تشخیص خودکار گفتار» توصیف می‌کند. عنوان دقیق شغل کمیاب است: در جستجوی ما در لینکدین برای عبارت «speech recognition engineer» در هشت کشور، از ۲۴۰ آگهی فقط یکی این عبارت را در عنوان داشت و بیشتر آن‌ها عنوان‌هایی مثل ML Engineer – Speech، Applied Scientist، Research Engineer یا Voice AI Engineer داشتند.
تشخیص گفتار قدیمی‌تر از موج فعلی هوش مصنوعی است. طبق ویکی‌پدیا، Bell Labs در ۱۹۵۲ دستگاه Audrey را برای تشخیص رقم‌های گفته‌شدهٔ یک گوینده ساخت. در دههٔ ۱۹۷۰ در Carnegie Mellon، James و Janet Baker مدل پنهان مارکوف (HMM) را به کار بردند که تا سال‌ها روش اصلی بود. در ۲۰۰۹ شبکه‌های عصبی عمیق برای مدل‌سازی آکوستیک خطا را حدود ۳۰٪ کم کردند، در ۲۰۱۴ نخستین سیستم end-to-end مبتنی بر CTC معرفی شد و در ۲۰۱۷ پژوهشگران Microsoft در رونویسی گفتار محاوره‌ای روی محک Switchboard به سطح انسان رسیدند. در سپتامبر ۲۰۲۲ OpenAI مدل Whisper را متن‌باز کرد که روی ۶۸۰ هزار ساعت صدا آموزش دیده بود. در آگهی‌های ۲۰۲۶، تشخیص گفتار اغلب بخشی از ایجنت‌های صوتی بلادرنگ و مدل‌های speech-to-speech است. بازار کار تخصصی است: Lightcast در گزارش AI Index ۲۰۲۶ مهارت Speech Recognition را داخل خوشهٔ NLP می‌شمارد که در ۲۰۲۵ در ۰٫۲۲٪ کل آگهی‌های آمریکا آمده است، و ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ فقط ۱۹ آگهی دائم در بریتانیا ثبت کرده که مهارت Speech Recognition را خواسته‌اند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس تشخیص گفتار
رونویسی و تحلیل تماس‌های مرکز تماس
Omilia مدل‌های آکوستیک و زبانی را برای سیستم‌های تلفنی IVR مشتریان سازمانی‌اش تنظیم می‌کند و از مهندس تجربهٔ کار با صنایعی مثل بانک، بیمه و سلامت را می‌خواهد. Level AI موتور ASR پلتفرم تحلیل مکالمهٔ مرکز تماس خودش را می‌سازد.
یادداشت‌نویسی پزشکی از روی گفتگو
Abridge به گفتهٔ آگهی‌اش گفتگوی بیمار و پزشک را هم‌زمان به یادداشت بالینی ساختارمند تبدیل می‌کند و Sonia برای پزشکان سیستم تشخیص گفتار می‌سازد که در محیط‌های پرنویز یا تخصصی پزشکی دقیق بماند.
رونویسی جلسه و ضبط‌کنندهٔ هوشمند
Otter.ai به گفتهٔ آگهی‌اش بیش از یک میلیارد جلسه را رونویسی کرده و Plaud با ترکیب سخت‌افزار و نرم‌افزار، گفتگوهای کاری را ضبط و ساختارمند می‌کند.
ایجنت صوتی بلادرنگ
Decagon ایجنت‌های صوتی خدمات مشتری می‌سازد که باید نوبت‌گیری در گفتگو، قطع کلام و گفتار هم‌پوشان را مدیریت کنند؛ Together AI زیرساخت سرو مدل‌های STT و TTS را برای همین ایجنت‌ها فراهم می‌کند.
دستیار صوتی خودرو
Cerence برای فرمان صوتی داخل خودرو مدل‌های ASR ژاپنی می‌سازد و روی tokenizer، واژه‌نامه، نرمال‌سازی متن و تشخیص اسم‌ها، مکان‌ها و نشانی‌ها کار می‌کند.
API تشخیص گفتار برای توسعه‌دهندگان
Deepgram و AssemblyAI مدل‌های پایهٔ گفتار را آموزش می‌دهند و از طریق API در اختیار شرکت‌های دیگر می‌گذارند؛ تیم پژوهش این شرکت‌ها از داده و ارزیابی تا معماری مدل را بهتر می‌کند.
تخصص‌های مختلف مهندس تشخیص گفتار
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
تشخیص گفتار بلادرنگ و ایجنت صوتی
Streaming ASR & Voice Agents
گفتار streaming، VAD، endpointing و نوبت‌گیری در گفتگو (Decagon) و سرو کم‌تأخیر مدل‌ها (Together AI). مدل Nemotron-3.5-ASR-Streaming که NVIDIA در ژوئن ۲۰۲۶ منتشر کرد، طبق README پروژه تأخیر قابل‌تنظیم ۸۰ میلی‌ثانیه تا ۱ ثانیه دارد.
تشخیص گفتار تلفنی و مرکز تماس
Contact Center & Telephony ASR
تنظیم مدل برای کانال تلفن و سیستم‌های IVR مشتریان سازمانی؛ Omilia برای این کار تجربه با صنایع مقرراتی مثل بانک و بیمه را می‌خواهد. رونویسی و تحلیل مکالمه‌های مرکز تماس هم کار Level AI است.
تشخیص گفتار پزشکی و تخصصی
Medical & Domain ASR
دقت در واژه‌های تخصصی و محیط‌های پرنویز بالینی (Sonia)، دستیار مستندسازی برای کادر مراقبت (voize) و تبدیل گفتگوی پزشک و بیمار به یادداشت بالینی (Abridge).
تشخیص گفتار چندزبانه و زبان‌محور
Multilingual & Language-specific ASR
کار روی زبان‌ها و لهجه‌های مختلف: ASR ژاپنی با tokenizer، واژه‌نامه و نرمال‌سازی متن (Cerence)، دستیار چندزبانهٔ Alexa (Amazon) و گفتار دوزبانه یا code-switching (Plaud).
بهینه‌سازی inference و اجرای روی دستگاه
Inference Optimization & On-device ASR
inference سریع روی موبایل (voize)، فشرده‌سازی و pruning مدل (emagine)، dynamic batching و speculative decoding (Speechmatics) و کار با موتورهای سرو مثل TensorRT-LLM و SGLang (Together AI).
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
در صفحهٔ مهندس NLP این سایت، تخصص آن نقش روی متن تعریف شده است: پیش‌پردازش و tokenization، برچسب‌گذاری متن و استخراج اطلاعات. مهندس تشخیص گفتار از صدای خام شروع می‌کند؛ نویز، لهجه، کانال تلفن، VAD و diarization بخشی از کار اوست و خروجی با WER سنجیده می‌شود. دو حوزه به هم نزدیک‌اند: Lightcast در AI Index ۲۰۲۶ مهارت Speech Recognition را داخل خوشهٔ NLP می‌شمارد، کتاب Jurafsky و Martin هر دو را پوشش می‌دهد و بخش متنی کار ASR هم به NLP شبیه است؛ آگهی Cerence کار روی tokenizer، واژه‌نامه و نرمال‌سازی متن را جزو وظایف آورده است.
در صفحهٔ مهندس یادگیری ماشین این سایت، مهندس ML با هر نوع داده‌ای کار می‌کند و معمولاً خودش مدل را روی دادهٔ شرکت آموزش می‌دهد و در پروداکشن نگه می‌دارد. تشخیص گفتار در عمل تخصصی از همین نقش است و بازار هم همین را نشان می‌دهد: Speechmatics، که خودش شرکت تشخیص گفتار است، عنوان Senior Machine Learning Engineer را به کار می‌برد و Level AI، voize و Sonia عنوان ML Engineer را با پسوند Speech یا ASR. تفاوت در دانش دامنه است: صوت و پردازش سیگنال، معماری‌های ASR، معیار WER و محدودیت‌های اجرای بلادرنگ. به همین دلیل، جدول حقوق این صفحه برای انگلستان، آلمان و هند عدد عنوان Machine Learning Engineer را نشان می‌دهد؛ Glassdoor برای عنوان‌های مخصوص گفتار در این کشورها دادهٔ کافی ندارد.
ایجنت صوتی یا زنجیره‌ای از ASR، مدل زبانی و TTS است یا یک مدل speech-to-speech. آگهی‌های Voice AI بیشتر روی کل این زنجیره و تأخیر آن تمرکز دارند: Decagon ساختن agent harness برای نوبت‌گیری و قطع کلام را می‌خواهد و Together AI بهینه‌سازی سرو مدل‌های STT و TTS را. TTS مسیر معکوس است، از متن به صدا، و بسیاری از آگهی‌ها هر دو را می‌خواهند: Otter.ai تجربهٔ ASR و/یا TTS و Amazon کار روی ASR، TTS و speech-to-speech را.
پژوهشگر روش تازه طراحی می‌کند و اغلب مدرک بالاتر و مقاله می‌خواهد: آگهی Senior Applied Scientist در Amazon AGI دکترا یا کارشناسی ارشد با ۶ سال تجربه و سابقهٔ مقاله در کنفرانس‌هایی مثل Interspeech و ICASSP را شرط کرده و Otter.ai دکترا را ترجیح می‌دهد. مرز این دو نقش باز است: Deepgram برای Research Staff می‌نویسد مدرک خاصی نمی‌خواهد و کارهای انجام‌شده را می‌بیند، و Decagon عنوان Research Engineer را برای کسی با ۲ سال تجربه به کار می‌برد که مدل را تا پروداکشن می‌برد.
تأثیر در صنایع مختلف
مهندس تشخیص گفتار در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
مرکز تماس و خدمات مشتری
طبق ویکی‌پدیا، ASR در مراکز تماس همراه سیستم‌های IVR رایج است؛ Omilia آن را برای IVR مشتریان سازمانی تنظیم می‌کند و Decagon ایجنت صوتی برای شرکت‌هایی مثل Avis Budget Group، Cash App و Chime می‌سازد
سلامت
Abridge به گفتهٔ آگهی‌اش هر ماه میلیون‌ها گفتگوی پزشکی را پردازش می‌کند؛ voize می‌گوید بیش از ۲٬۰۰۰ مرکز و ۲۰۰ هزار کاربر از دستیارش استفاده می‌کنند و Sonia برای استفادهٔ روزانهٔ پزشکان ASR می‌سازد
جلسه و بهره‌وری
Otter.ai به گفتهٔ خودش بیش از یک میلیارد جلسه را رونویسی کرده و Plaud از بیش از ۲٫۵ میلیون کاربر از ۲۰۲۳ تا امروز خبر می‌دهد
خودرو
Cerence، که در ۲۰۱۹ از Nuance جدا شد، طبق آگهی‌اش با خودروسازان بزرگ کار می‌کند و فناوری‌اش در بیش از ۵۰۰ میلیون خودرو و بیش از ۷۰ زبان به کار رفته است
دستیارهای صوتی
تیم Alexa International در Amazon مدل‌های ASR، TTS و speech-to-speech را برای محصولات بین‌المللی و زبان‌های مختلف آموزش می‌دهد
پلتفرم‌های API گفتار
Deepgram به گفتهٔ آگهی‌اش بیش از ۲۰۰ هزار توسعه‌دهنده و ۱٬۳۰۰ سازمان مشتری دارد و AssemblyAI ماهانه بیش از ۶۰۰ میلیون فراخوانی inference را پاسخ می‌دهد
دسترسی‌پذیری و آموزش
طبق ویکی‌پدیا، تشخیص گفتار برای ناشنوایان و کم‌شنوایان زیرنویس گفتگو تولید می‌کند و در آموزش زبان برای سنجش خودکار تلفظ به کار می‌رود؛ در بریتانیا بیشتر آگهی‌هایی که این مهارت را خواسته‌اند، طبق ITJobsWatch، به دسترسی‌پذیری و WCAG هم اشاره کرده‌اند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
با Whisper مسئلهٔ تشخیص گفتار حل شده است
مدل‌های آماده نقطهٔ شروع‌اند. طبق ویکی‌پدیا، خطای Whisper در زبان‌هایی که در دادهٔ آموزشی کم بوده‌اند بیشتر است و در یک بررسی روی ۱۳٬۱۴۰ قطعهٔ صوتی کوتاه، در ۱٫۴٪ قطعه‌ها متنی ساختگی (hallucination) تولید کرد که در صدا نبود. آگهی‌ها هم هنوز برای همین کار استخدام می‌کنند: Plaud بهبود تشخیص اسم‌ها، اصطلاحات محصول و گفتار دوزبانه را می‌خواهد، Cerence اسم‌ها، مکان‌ها و نشانی‌ها را و Omilia تنظیم مدل برای واژگان هر مشتری را.
بدون دکترا نمی‌شود وارد این حوزه شد
بستگی به نقش دارد. Deepgram برای Research Staff می‌نویسد مدرک خاصی نمی‌خواهد، Level AI کارشناسی با ۲ سال تجربه می‌خواهد و آگهی Applied Scientist در Amazon کارشناسی با ۲ سال تجربه را به‌جای کارشناسی ارشد می‌پذیرد. Omilia صریحاً می‌گوید مدرک جای تجربهٔ پروداکشن را نمی‌گیرد. در مقابل، نقش‌های پژوهشی سخت‌گیرترند: emagine ارشد یا دکترا، Cerence ارشد و Senior Applied Scientist در Amazon AGI دکترا یا ارشد با ۶ سال تجربه می‌خواهد.
با جستجوی عنوان Speech Recognition Engineer کار پیدا می‌کنم
این عنوان کمیاب است. در جستجوی ما در لینکدین در هشت کشور، از ۲۴۰ آگهی فقط یکی آن را در عنوان داشت (Senior Automatic Speech Recognition (ASR) Engineer در emagine) و برآورد Glassdoor برای این عنوان در آمریکا فقط بر پایهٔ ۶ حقوق است. عنوان‌های رایج‌تر را هم جستجو کنید: Machine Learning Engineer همراه Speech یا ASR، Applied Scientist, Speech، Research Engineer, Audio and Speech، Voice AI Engineer و ASR Engineer.
هر آگهی که کلمهٔ Speech دارد، شغل مهندسی است
بخشی از نتایج جستجو کار داده و ارزیابی برای زبان‌های مختلف است، نه مهندسی مدل: مثل Speech AI Evaluation Specialist در RWS، Speech & Audio AI Specialist در TELUS Digital و Speech & Voice AI Analyst در Welocalize. نقش‌های مهندسی را از شرایطشان می‌شود شناخت: Python، PyTorch، آموزش و استقرار مدل.
با مدل‌های end-to-end دیگر پردازش سیگنال و روش‌های کلاسیک لازم نیست
هنوز لازم است. Omilia کار عملی با Kaldi، شامل مدل‌سازی آکوستیک و زبانی، طراحی lexicon و تنظیم decoder، را شرط کرده و مدل‌های عصبی مثل Whisper را امتیاز می‌داند. Decagon «پایه‌های قوی در پردازش سیگنال» و Level AI «آگاهی از پژوهش‌های روز در تشخیص گفتار و پردازش سیگنال» را می‌خواهند. البته ابزارها عوض می‌شوند: آخرین تغییر مخزن رسمی Kaldi سپتامبر ۲۰۲۵ بوده، در حالی که پروژه‌های نسل بعدی آن مثل icefall و sherpa-onnx همچنان به‌روز می‌شوند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف داده و ارزیابی می‌شود. آگهی Plaud کار این سطح را ساختن pipeline داده، کمک به fine-tuning زیر نظر متخصصان، ساخت مجموعهٔ تست بر اساس واژه‌های دامنه و مقایسهٔ مدل‌ها با رقبای متن‌باز و تجاری توصیف می‌کند.
- ◆پاکسازی و فیلتر کردن ساعت‌ها دادهٔ صوتی و بررسی کیفیت رونوشت‌ها
- ◆ساخت مجموعهٔ تست برای واژه‌های یک دامنه، مثل اسم محصولات
- ◆محاسبهٔ WER و CER و مقایسهٔ نسخهٔ جدید مدل با قبلی
- ◆اجرای آزمایش fine-tuning با تنظیماتی که تیم تعیین کرده
میانی (۲–۵ سال)
مسئولیت یک بخش از سیستم، مثلاً diarization یا endpointing، از آزمایش تا پروداکشن با شماست. Level AI از مهندس می‌خواهد روش‌های مقاله‌ها را مستقل آزمایش کند و Decagon با تماس‌های واقعی ارزیابی بسازد و بهبودی قابل‌اندازه‌گیری در دقت و تأخیر تحویل دهد.
- ◆پیاده‌سازی و آزمودن یک روش تازه از یک مقالهٔ ASR
- ◆بررسی تماس‌هایی که مدل در آن‌ها خطا کرده و پیدا کردن الگوی خطا
- ◆اندازه‌گیری تأخیر مدل روی سخت‌افزار هدف و بهینه‌سازی آن
- ◆بازبینی کد و طراحی همکاران
ارشد (۵+ سال)
تمرکز روی معماری، تصمیم دربارهٔ توازن کیفیت، تأخیر، هزینه و پایداری، و رشد دیگران است. آگهی Otter.ai از مهندس ارشد تعیین جهت فنی برای زیرساخت ML، pipeline داده و چارچوب‌های ارزیابی را می‌خواهد و Omilia حل سریع مشکلات پروداکشن و جلسهٔ مستقیم با مشتری را.
- ◆تصمیم دربارهٔ معماری و استراتژی آموزش برای نسل بعدی مدل
- ◆پیدا کردن ریشهٔ افت کیفیت در پروداکشن پیش از اینکه به کاربر برسد
- ◆توضیح توازن‌های فنی برای مشتری یا تیم محصول
- ◆راهنمایی مهندسان جوان‌تر و بازبینی طراحی‌ها
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈آموزش، fine-tune کردن، ارزیابی و استقرار مدل‌های تشخیص گفتار برای زبان‌ها، لهجه‌ها و دامنه‌های مختلف
- ◈ساخت و نگه‌داری pipeline داده صوتی: جمع‌آوری، پاکسازی، برچسب‌گذاری، افزایش داده و کنترل کیفیت
- ◈سنجش مدل با WER، CER و معیارهای مخصوص دامنه، تحلیل نمونه‌های خطا و ساخت مجموعه‌های تست
- ◈حل مسائل اطراف رونویسی مثل diarization، تشخیص فعالیت صوتی (VAD)، endpointing و هم‌ترازی متن و صدا
- ◈تطبیق مدل‌های آکوستیک و زبانی با واژگان مشتری، اسم‌ها، اصطلاحات تخصصی و گفتار دوزبانه
- ◈بهینه‌سازی inference برای تأخیر، throughput و هزینه، از سرور GPU تا موبایل
- ◈پایش عملکرد مدل در پروداکشن، پیدا کردن ریشهٔ خطاها و رفع افت کیفیت پیش از اینکه به کاربر برسد
- ◈دنبال کردن پژوهش‌های تازهٔ ASR و آزمودن روش‌های مقاله‌ها روی دادهٔ واقعی
- ◈همکاری با تیم‌های محصول، زیرساخت و پلتفرم صوتی و توضیح توازن‌های فنی برای مشتری و ذی‌نفعان غیرفنی
- ◈مستندسازی تصمیم‌های تنظیم مدل، نسخه‌ها و پیکربندی‌ها و راهنمایی مهندسان جوان‌تر
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس تشخیص گفتار موفق به آن‌ها نیاز دارد
مهارت‌های فنی
پایهٔ تقریباً همهٔ آگهی‌ها؛ Level AI، Decagon، Deepgram، Plaud و voize هر دو را با نام خواسته‌اند
کار با Whisper و wav2vec2 (Sonia) و معماری‌های Conformer یا Transformer (Cerence و emagine)
بهبود WER/SER نسبت به نسخهٔ پروداکشن (Omilia)، تحلیل WER/CER و نمونه‌های خطا (Cerence) و سنجش WER برای لهجه‌ها، زبان‌ها و نویزهای مختلف (Together AI)
جمع‌آوری، پاکسازی، برچسب‌گذاری، افزایش داده و کنترل کیفیت در مقیاس ده‌ها هزار ساعت؛ در آگهی‌های Plaud، Sonia و emagine آمده است
CTC، transducer و encoder-decoder مبتنی بر attention، و اینکه هر کدام برای چه کاربردی مناسب است
spectrogram، ویژگی‌های Mel و مقاوم‌سازی در برابر نویز؛ Decagon و Level AI صریحاً از آن نام برده‌اند
مدل‌سازی زبانی (Omilia و emagine)، language model interpolation (emagine) و contextual biasing برای hotwordها (Plaud)
مسائل اطراف رونویسی؛ Level AI، Sonia و Decagon از آن‌ها نام برده‌اند
streaming، inference کم‌تأخیر و سرو مدل (Decagon)، سرعت روی موبایل (voize) و موتورهایی مثل vLLM، SGLang و TensorRT-LLM (Together AI)
آموزش توزیع‌شده (Speechmatics و Deepgram) و پردازش داده با Spark یا Ray (Plaud)
برای نقش‌هایی که با سیستم‌های تلفنی موجود کار می‌کنند؛ آگهی Omilia آن را شرط کرده است
مدل‌های SpeechLLM (Plaud)، post-training مدل‌های گفتار (Otter.ai) و روش‌هایی مثل SFT، DPO و RLHF (Amazon)
مهارت‌های نرم
Deepgram کسی را می‌خواهد که مسئلهٔ مشتری را تا بهبود قابل‌اندازه‌گیری در پروداکشن دنبال کند و Otter.ai مالکیت کل چرخهٔ عمر سیستم ML را
AssemblyAI می‌نویسد باید به نتیجه‌ها، چه از خودتان چه از ایجنت کدنویسی، شک کنید تا ثابت شوند و بهبود بی‌دلیل را مشکلی بدانید که باید فهمید
Omilia جلسهٔ کاری با مشتری و توضیح توازن‌های فنی برای افراد غیرفنی را جزو وظایف آورده است
ثبت تصمیم‌های تنظیم مدل، نسخه‌ها و پیکربندی‌ها برای ردیابی و انتقال دانش (Omilia)
کار با تیم‌های پلتفرم صوتی و زیرساخت (Decagon) و تیم‌های محصول و زیرساخت (Otter.ai)
دانش حوزه‌ای
شناخت ویژگی‌های یک زبان مشخص؛ Cerence برای ASR ژاپنی تسلط بومی به ژاپنی و کار روی tokenizer، واژه‌نامه و نرمال‌سازی متن را می‌خواهد و Omilia دانستن زبان‌های دیگر را امتیاز می‌داند
Omilia آشنایی با پلتفرم‌های تلفنی و معماری IVR را امتیاز می‌داند و Decagon تجربه با تلفن را
Omilia تجربه با صنایع مقرراتی مثل بانک، بیمه و سلامت را می‌خواهد و Sonia کار در محیط‌های تخصصی پزشکی را
Plaud از گواهی‌هایی مثل ISO 27001، GDPR و HIPAA نام می‌برد و ویکی‌پدیا حمله‌هایی مثل فرمان‌های پنهان در صدای پخش‌شده را توضیح می‌دهد
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس تشخیص گفتار
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، یادگیری ماشین و صوت دیجیتال
برای کامپیوتر، صدا دنباله‌ای از عددهاست. یاد بگیرید waveform، نرخ نمونه‌برداری و spectrogram چیست و چطور با librosa صدا را بخوانید و نمایش دهید. همین مفاهیم مستقیم در مدل‌ها به کار می‌روند: طبق ویکی‌پدیا، Whisper صدای ورودی را به ۱۶ هزار هرتز تبدیل می‌کند و از آن یک log-Mel spectrogram با ۸۰ کانال می‌سازد. آگهی Decagon «پایه‌های قوی در یادگیری ماشین و پردازش سیگنال» را جزو شرایط آورده است.
مدل‌های آماده، fine-tuning و سنجش با WER
با مدل‌های آماده شروع کنید: Whisper را روی چند فایل صوتی اجرا کنید، بعد روی دادهٔ یک زبان یا دامنهٔ مشخص fine-tune کنید و نتیجه را با WER و CER بسنجید. WER از فاصلهٔ ویرایشی در سطح کلمه به دست می‌آید و طبق ویکی‌پدیا رایج‌ترین معیار سنجش تشخیص گفتار است. برای فارسی، دیتاست FLEURS بخش fa_ir دارد و Common Voice نسخهٔ فارسی خود را با مجوز CC0 از طریق Mozilla Data Collective منتشر می‌کند. آگهی Sonia تجربه با Whisper و wav2vec را جزو شرایط پایه آورده است.
معماری‌ها و ابزارهای تخصصی ASR
بفهمید مدل‌های ASR چطور صدا را به متن نگاشت می‌کنند: CTC، transducer و encoder-decoder مبتنی بر attention، و معماری Conformer که آگهی‌های emagine و Cerence با نام از آن یاد کرده‌اند. نقش مدل زبانی و beam search در decoding را هم یاد بگیرید. روش‌های کلاسیک را کنار نگذارید: آگهی Omilia کار عملی با Kaldi، شامل مدل‌سازی آکوستیک و زبانی، طراحی lexicon و تنظیم decoder، را «شرط و نه امتیاز» می‌داند. فصل‌های ۱۵ و ۱۶ کتاب Jurafsky و Martin (نسخهٔ پیش‌نویس اوت ۲۰۲۶) دربارهٔ آواشناسی، ویژگی‌های گفتار و تشخیص خودکار گفتار است.
داده، ارزیابی و تطبیق با دامنه
در آگهی‌ها بخش بزرگی از کار با داده و ارزیابی است. Plaud از مهندس می‌خواهد pipeline جمع‌آوری، پاکسازی، برچسب‌گذاری، افزایش داده و کنترل کیفیت را بسازد و مجموعهٔ تست بر اساس واژه‌های دامنه درست کند. Level AI روی رونویسی، diarization (تشخیص اینکه چه کسی صحبت می‌کند) و VAD (تشخیص بخش‌های گفتار) کار می‌کند و Cerence تحلیل WER/CER و نمونه‌های خطا. یاد بگیرید خطاها را دسته‌بندی کنید و مدل را برای اسم‌ها، اصطلاحات تخصصی و دوزبانه‌حرف‌زدن (code-switching) بهتر کنید.
استقرار بلادرنگ و ایجنت‌های صوتی
مدل باید سریع و پایدار در پروداکشن کار کند. آگهی Decagon طراحی سیستم برای گفتار streaming، نوبت‌گیری در گفتگو، قطع کلام و endpointing را می‌خواهد و Together AI بهینه‌سازی سرو مدل‌های STT و TTS برای کمترین زمان تا اولین بایت (TTFB). voize هم inference سریع روی موبایل می‌خواهد. با faster-whisper، whisper.cpp یا sherpa-onnx مدل را روی CPU اجرا کنید، تأخیر را اندازه بگیرید و با Pipecat یک ایجنت صوتی ساده بسازید تا کل زنجیرهٔ ASR، LLM و TTS را ببینید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
مدل‌ها و فریم‌ورک‌های ASR
مدل متن‌باز تشخیص گفتار با مجوز MIT که طبق ویکی‌پدیا در سپتامبر ۲۰۲۲ منتشر شد و روی ۶۸۰ هزار ساعت دادهٔ صوتی آموزش دیده است؛ در آگهی‌های Sonia، Omilia و Together AI نام برده شده
کتابخانهٔ اصلی برای بارگذاری و fine-tune کردن مدل‌های Whisper و wav2vec2؛ راهنمای رسمی کار ASR را هم دارد
فریم‌ورک NVIDIA برای ASR، TTS و Speech LLM (مجوز Apache 2.0) و خانهٔ مدل‌های Parakeet و Canary. مخزن قدیمی NVIDIA/NeMo اکنون به NVIDIA-NeMo/Speech منتقل شده و طبق README در ۲۰۲۶ روی صوت، گفتار و LLMهای چندوجهی متمرکز شده است
پردازش صوت و داده
کتابخانهٔ Python برای تحلیل سیگنال صوت و موسیقی؛ برای خواندن فایل صوتی، ساخت spectrogram و دیدن داده پیش از آموزش مدل
کتابخانهٔ صوت PyTorch با آموزش‌های ASR و CTC؛ طبق مستندات رسمی از نسخهٔ ۲٫۸ وارد دورهٔ نگه‌داری شده و خواندن و نوشتن فایل صوتی به TorchCodec منتقل شده است
اجزای عصبی برای speaker diarization: تشخیص گفتار، تغییر گوینده و گفتار هم‌پوشان (مجوز MIT)
ارزیابی و پیگیری آزمایش‌ها
جدول Hugging Face که مدل‌های متن‌باز و تجاری تشخیص گفتار را روی انگلیسی و چند زبان دیگر با میانگین WER و سرعت (RTFx) مقایسه می‌کند؛ برای انتخاب مدل پایه
استقرار و کاربردهای بلادرنگ
پیاده‌سازی Whisper با CTranslate2؛ طبق README تا ۴ برابر سریع‌تر از نسخهٔ اصلی با همان دقت و حافظهٔ کمتر، با امکان quantization هشت‌بیتی
اجرای آفلاین تشخیص گفتار، TTS، diarization و VAD با نسل بعدی Kaldi و onnxruntime روی موبایل، Raspberry Pi و سرور
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس ML گفتار جونیور
۰ تا ۲ سال
کار روی داده و ارزیابی در کنار مهندسان ارشد. آگهی Plaud در سنگاپور دست‌کم یک سال تجربه می‌خواهد و کار را ساختن pipeline داده، مجموعهٔ تست و مقایسهٔ مدل‌ها با رقبای متن‌باز و تجاری توصیف می‌کند. آگهی Applied Scientist در Amazon (بنگلور) کارشناسی ارشد یا کارشناسی با ۲ سال تجربه را می‌پذیرد. برای دانشجویان دکترا هم کارآموزی Amazon در NLP و گفتار هست که حقوق شروع آن در سیاتل ۱۳۵٬۶۶۰ دلار در سال اعلام شده است.
مهندس ASR / ML Engineer, Speech
۲ تا ۵ سال
مسئولیت بخشی از سیستم از آزمایش تا پروداکشن. آگهی Level AI با ۲ سال تجربه آموزش، استقرار و نگه‌داری pipeline تشخیص گفتار و کار روی diarization و VAD را می‌خواهد. Decagon برای Research Engineer, Audio and Speech هم ۲ سال تجربه می‌خواهد و بازهٔ درآمد ۲۰۰ تا ۴۰۰ هزار دلار به‌اضافهٔ سهام (سانفرانسیسکو یا نیویورک) اعلام کرده است. بازهٔ اعلام‌شدهٔ Deepgram برای Research Staff, Applied Voice AI ۱۷۸ تا ۲۶۸ هزار دلار است.
مهندس ارشد ASR / Senior Applied Scientist, Speech
۵+ سال
طراحی سیستم، تصمیم دربارهٔ توازن کیفیت، تأخیر و هزینه، و راهنمایی دیگران. آگهی‌های Omilia، Otter.ai، Together AI و emagine هر کدام دست‌کم ۵ سال تجربه می‌خواهند. بازه‌های حقوق پایهٔ اعلام‌شده در آمریکا: Otter.ai برای Senior Applied Scientist, Speech ۲۳۰ تا ۲۶۵ هزار دلار، Together AI برای Senior ML Engineer, Voice AI ۲۰۰ تا ۲۶۰ هزار دلار و AssemblyAI برای Senior Researcher ۲۷۰ تا ۳۱۰ هزار دلار. این بازه‌ها از میانگین Glassdoor برای عنوان Speech Scientist در جدول حقوق بالاترند: عدد Glassdoor همهٔ سطوح تجربه را با هم می‌سنجد و برآوردش آخرین بار در آوریل ۲۰۲۵ به‌روز شده، در حالی که این آگهی‌ها بیشتر برای نقش‌های ارشد در شرکت‌های AI هستند.
Team Lead / Staff / Research Lead
پس از سطح ارشد
هدایت تیم یا یک حوزهٔ پژوهشی. آگهی Machine Learning Team Lead در Speechmatics رهبری و رشد تیم مهندسان ML، برنامه‌ریزی کار و هدایت فنی کل چرخهٔ توسعه را می‌خواهد. در مسیر پژوهشی، آگهی Senior Applied Scientist در Amazon AGI دکترا یا کارشناسی ارشد با ۶ سال تجربه، سابقهٔ مقاله در کنفرانس‌هایی مثل Interspeech و ICASSP و مالکیت یک حوزهٔ پژوهشی را شرط کرده است.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
صدای دنیای واقعی با دادهٔ آزمایشگاه فرق دارد
عمومیطبق ویکی‌پدیا، لهجه، تلفظ، سرعت، نویز پس‌زمینه، پژواک و کیفیت ضبط همه روی دقت اثر می‌گذارند. آگهی‌ها هم همین را نشان می‌دهند: Decagon مقاومت در برابر نویز کانال و تطبیق با گوینده را امتیاز می‌داند، Deepgram جدا کردن صدای گوینده از نویز و صحبت هم‌زمان دیگران را جزو پروژه‌هایش آورده و emagine بهبود عملکرد در لهجه‌ها و شرایط آکوستیک واقعی را.
تأخیر در برابر دقت
استارتاپدر کاربردهای بلادرنگ، مدل باید پیش از تمام شدن جمله شروع به پاسخ کند. Decagon بهینه‌سازی سرعت پاسخ، throughput و هزینه را می‌خواهد و Together AI کمترین زمان تا اولین بایت را. Otter.ai صریحاً از «توازن اصولی میان کیفیت، تأخیر، هزینه و پایداری» حرف می‌زند.
زبان‌های کم‌داده و جزئیات هر زبان
تحقیقاتیطبق ویکی‌پدیا، خطای Whisper در زبان‌هایی که در دادهٔ آموزشی کم بوده‌اند بیشتر است. هر زبان هم مسائل متنی خودش را دارد؛ آگهی Cerence برای ژاپنی کار روی tokenizer، واژه‌نامه، نرمال‌سازی متن، اسم‌ها و نشانی‌ها را می‌خواهد. برای فارسی هم بهتر است مواردی مثل عددها، نیم‌فاصله و املای واژه‌های قرضی را در ارزیابی جدا بررسی کنید.
متن ساختگی در خروجی مدل‌های بزرگ
عمومیطبق ویکی‌پدیا، در یک بررسی روی ۱۳٬۱۴۰ قطعهٔ صوتی کوتاه، Whisper در ۱۸۷ مورد (۱٫۴٪) متنی تولید کرد که در صدا نبود و ۳۸٪ این موارد می‌توانست آسیب‌زا باشد، مثل اشارهٔ نادرست به دارویی که وجود ندارد. در کاربردهای پزشکی و حقوقی، ساختن ارزیابی و کنترل برای این خطا بخشی از کار است.
داده و برچسب‌گذاری
عمومیمدل خوب به رونوشت‌های درست نیاز دارد. Plaud ساخت pipeline برای ده‌ها هزار ساعت صدا را می‌خواهد، Sonia راه‌اندازی فرایند برچسب‌گذاری و کنترل کیفیت برای دادهٔ پزشکی و AssemblyAI پیدا کردن مشکلات کیفیت داده و تبدیل آن به بهبود دقت را.
حریم خصوصی و امنیت
شرکت بزرگصدا دادهٔ شخصی است و در سلامت و مالی حساس‌تر هم می‌شود. Plaud از رعایت ISO 27001، SOC 2، GDPR و HIPAA نام می‌برد. طبق ویکی‌پدیا، سیستم‌های صوتی هدف حمله هم هستند: کلمهٔ فعال‌سازی در یک برنامهٔ تلویزیونی می‌تواند دستگاه را فعال کند و صداهای ناشنیدنی می‌توانند فرمان پنهان بفرستند.
بازار کوچک و عنوان‌های پراکنده
عمومیعنوان دقیق این شغل کمیاب است و همین کار زیر عنوان‌های مختلف آگهی می‌شود. Lightcast مهارت Speech Recognition را داخل خوشهٔ NLP می‌شمارد که در ۲۰۲۵ در ۰٫۲۲٪ آگهی‌های آمریکا آمده است. بیشتر آگهی‌های مهندسی‌ای که برای این صفحه پیدا شد هم دست‌کم ۲ سال تجربهٔ عملی یا مدرک بالاتر می‌خواستند. به نظر می‌رسد ورود مستقیم سخت است و تجربه در نقش‌های عمومی‌تر ML یا کار روی دادهٔ گفتار، مثل آنچه Plaud با یک سال تجربه می‌خواهد، می‌تواند پل ورود باشد.
حقوق و بازار کار جهانی
حقوق جهانی مهندس تشخیص گفتار
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, title 'Speech Scientist', estimate updated Apr 2025, total pay: 25th–75th pct, average (46 salaries)
- Glassdoor UK, title 'Machine Learning Engineer' (used by UK speech employers such as Speechmatics), estimate updated Oct 2026, total pay: 25th–75th pct, average (1,352 salaries)
- Glassdoor Germany, title 'Machine Learning Engineer' (used by German speech employers such as voize and Sonia), estimate updated Apr 2024, total pay: 25th–75th pct, average (525 salaries)
- Glassdoor India, title 'Machine Learning Engineer' (used by Indian speech employers such as Level AI), estimate updated Sep 2026, total pay: 25th–75th pct, average (2,944 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: صوت دیجیتال
waveform، نرخ نمونه‌برداری، spectrogram و Mel را با librosa روی فایل‌های صوتی خودتان تمرین کنید.
ماه ۲: اولین ارزیابی
Whisper را روی بخش فارسی FLEURS اجرا کنید و WER و CER را با jiwer بسنجید (پروژهٔ اول پورتفولیو).
ماه ۳: fine-tuning
یک مدل کوچک Whisper را روی دادهٔ فارسی Common Voice fine-tune کنید و نتیجه را با ماه قبل مقایسه کنید.
ماه ۴: معماری‌ها
CTC، transducer و encoder-decoder را بفهمید و فصل تشخیص گفتار کتاب Jurafsky و Martin را بخوانید.
ماه ۵: diarization و VAD
pipeline رونویسی جلسه با تشخیص گوینده بسازید (پروژهٔ سوم پورتفولیو).
ماه ۶: استقرار و درخواست
یکی از پروژه‌ها را با faster-whisper روی CPU اجرا کنید و تأخیر را گزارش دهید. بعد برای عنوان‌های ML Engineer (Speech/ASR)، ASR Engineer و Voice AI Engineer درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
ارزیابی مدل‌های آماده روی گفتار فارسی
مبتدیچند اندازهٔ Whisper را روی بخش تست fa_ir دیتاست FLEURS اجرا کنید و WER و CER را با jiwer گزارش دهید. بعد خطاها را دسته‌بندی کنید: عددها، اسم‌ها، نیم‌فاصله و نرمال‌سازی متن. این همان «تحلیل WER/CER و نمونه‌های خطا» است که آگهی Cerence می‌خواهد و نشان می‌دهد زبان خودتان را به‌عنوان یک مسئلهٔ فنی می‌شناسید.
fine-tune کردن Whisper برای فارسی
متوسطبا راهنمای Hugging Face یک مدل کوچک Whisper را روی دادهٔ فارسی Common Voice fine-tune کنید. دادهٔ مشکل‌دار را پاکسازی کنید، نتیجه را قبل و بعد از آموزش روی مجموعهٔ تستی جدا مقایسه کنید و در README بنویسید کجا بهتر شد و کجا نه.
رونویسی جلسه با تشخیص گوینده
متوسطیک pipeline بسازید که فایل صوتی جلسه را بگیرد، با VAD بخش‌های گفتار را جدا کند، با pyannote.audio گوینده‌ها را تشخیص دهد و با faster-whisper رونویسی کند. خروجی را با زمان‌بندی و نام گوینده تحویل دهید و خطای diarization را روی یک نمونهٔ دستی بسنجید؛ این‌ها همان مسائلی‌اند که آگهی Level AI نام می‌برد: رونویسی، diarization و VAD.
تشخیص گفتار بلادرنگ و سنجش تأخیر
پیشرفتهسیستمی بسازید که از میکروفون صدا بگیرد و متن را به‌صورت streaming نمایش دهد. با Pipecat آن را به یک LLM و TTS وصل کنید تا یک ایجنت صوتی ساده داشته باشید. زمان تا اولین خروجی، تأثیر endpointing و رفتار سیستم هنگام قطع کلام را اندازه بگیرید و جدول کنید؛ همان چیزهایی که Decagon و Together AI در آگهی‌هایشان می‌خواهند.
تطبیق مدل با واژه‌های یک دامنهٔ تخصصی
پیشرفتهیک دامنه انتخاب کنید (مثلاً پزشکی یا نام محصولات یک شرکت)، فهرست واژه‌های کلیدی بسازید و مجموعهٔ تستی بر اساس آن‌ها جمع کنید. بعد دقت تشخیص همین واژه‌ها را قبل و بعد از fine-tuning یا روش‌های contextual biasing بسنجید. آگهی Plaud دقیقاً همین را می‌خواهد: مجموعهٔ تست بر اساس واژه‌نامهٔ دامنه و بهبود تشخیص اسم‌ها و اصطلاحات تخصصی.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، دانشمند کامپیوتر، عصب‌شناس و کارآفرین آمریکایی است. در رشتهٔ بیوفیزیک آموزش دید، از ۱۹۷۰ تحصیلات تکمیلی را در دانشگاه Rockefeller شروع کرد و بعد همراه همسرش James Baker به Carnegie Mellon رفت و در ۱۹۷۵ دکترا گرفت. پس از آن در مرکز پژوهشی IBM Thomas J. Watson روی تشخیص گفتار پیوسته با واژگان بزرگ کار کرد.
در اوایل دههٔ ۱۹۷۰، وقتی رویکرد غالب قاعده‌های زبان‌شناختی بود، او و James Baker رویکردی آماری و داده‌محور را برای گفتار پیوسته پیش بردند که بعدها با نام Hidden Markov Model شناخته شد. در ۱۹۸۲ با هم Dragon Systems را بنیان گذاشتند و او رئیس شرکت بود. در ۱۹۹۷ این شرکت Dragon NaturallySpeaking را عرضه کرد، نخستین نرم‌افزار تشخیص گفتار پیوسته برای کامپیوترهای رومیزی. در ۲۰۱۲ همراه همسرش جایزهٔ IEEE James L. Flanagan در پردازش گفتار و صوت را گرفت.
او رویکرد آماری را زمانی انتخاب کرد که جریان اصلی چیز دیگری بود، و همان رویکرد را تا محصولی رساند که مردم استفاده کردند. به نظر می‌رسد در این حوزه، اثر ماندگار از جایی می‌آید که پژوهش به محصول برسد.
طبق ویکی‌پدیا، کارشناسی، کارشناسی ارشد (۲۰۰۵) و دکترا (۲۰۰۹) را در مهندسی برق و علوم کامپیوتر از MIT گرفت؛ موضوع رسالهٔ دکترایش تشخیص گفتار مقاوم در برابر نویز بود. پیش از Google Research در مرکز پژوهشی IBM Thomas J. Watson کار می‌کرد.
پژوهشگر ارشد (principal research scientist) در Google Research است و روی یادگیری عمیق برای تشخیص گفتار کار می‌کند. در ۲۰۲۲ هم به عضویت Fellow در IEEE و هم در انجمن بین‌المللی ارتباطات گفتاری (ISCA) انتخاب شد، در هر دو مورد «برای مشارکت در یادگیری عمیق برای تشخیص خودکار گفتار».
مسئلهٔ دوران دکترای او، یعنی نویز، هنوز در آگهی‌های ۲۰۲۶ یکی از سخت‌ترین بخش‌های کار است. ماندن روی یک مسئلهٔ واقعی و عمیق شدن در آن می‌تواند پایهٔ یک مسیر طولانی باشد.
طبق ویکی‌پدیا، کارشناسی را از دانشگاه Hunan (۱۹۸۲)، کارشناسی ارشد را از دانشگاه Tsinghua (۱۹۸۴) و دکترا را در ۱۹۸۹ از دانشگاه Edinburgh گرفت. بعد به Carnegie Mellon رفت و با Raj Reddy و Kai-Fu Lee روی تشخیص گفتار کار کرد.
در CMU پژوهش سیستم گفتاری Sphinx-II را هدایت کرد که در همهٔ بخش‌های ارزیابی DARPA در ۱۹۹۲ بهترین عملکرد را داشت. در ۱۹۹۳ Microsoft Research او را برای راه‌اندازی برنامه‌های زبان گفتاری Microsoft استخدام کرد؛ در ساخت Speech API (SAPI) و Microsoft Speech Server نقش داشت و به Microsoft کمک کرد در رونویسی گفتار محاوره‌ای به سطح انسان برسد. پس از ۳۰ سال در Microsoft، اکنون مدیر ارشد فناوری (CTO) شرکت Zoom است.
مسیر او از پژوهش دانشگاهی شروع شد و به ساختن زیرساخت گفتار برای محصولاتی با میلیون‌ها کاربر رسید. کسی که هم پژوهش را می‌فهمد و هم مهندسی محصول را، در این حوزه جای زیادی برای رشد دارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Automatic Speech Recognition Engineer
تحلیل نیازمندی‌ها
5+ years of hands-on ASR/speech engineering experience, with substantial experience in production/live IVR or voice-channel deployments.
این نقش ورودی نیست. پنج سال تجربهٔ عملی می‌خواهد، آن هم روی سیستم‌هایی که واقعاً مشتری با آن‌ها تماس می‌گیرد، مثل منوهای صوتی تلفنی (IVR). کار پژوهشی یا کلاسی به‌تنهایی کافی نیست.
ضروریDemonstrated track record supporting customers directly, ideally in regulated industries (banking, insurance, healthcare).
مهندس این تیم مستقیم با مشتری کار می‌کند. سابقهٔ کار در بانک، بیمه یا سلامت امتیاز است؛ اگر از این صنایع می‌آیید، همین را در رزومه برجسته کنید.
مهمStrong hands-on experience with ASR platforms such as Kaldi (or equivalent) — language modeling, acoustic modeling, grammar/lexicon design, and decoder tuning are required, not "nice to have."
هستهٔ فنی آگهی همین است: مدل آکوستیک، مدل زبانی، گرامر و واژه‌نامهٔ تلفظ و تنظیم decoder. یعنی باید بدانید هر بخش از سیستم کلاسیک ASR چه می‌کند، نه فقط اینکه یک مدل end-to-end را صدا بزنید.
ضروریSolid programming ability (Python preferred; Bash, Java, or C++ also acceptable) and comfort in Linux environments.
Python کافی است اما باید در Linux و خط فرمان راحت باشید؛ بیشتر سیستم‌های ASR روی سرور Linux اجرا و با اسکریپت مدیریت می‌شوند.
ضروریAcademic background in Computer Science, Electrical Engineering, Computational Linguistics, Speech & Language Processing, or equivalent hands-on experience — a degree does not substitute for production experience at this level.
رشتهٔ مرتبط یا تجربهٔ عملی هم‌ارز پذیرفته می‌شود؛ زبان‌شناسی محاسباتی هم جزو رشته‌هاست. اما آگهی صریح می‌گوید مدرک جای تجربهٔ پروداکشن را نمی‌گیرد.
مهمExcellent spoken/written English and strong stakeholder communication skills; this role speaks directly with enterprise customers and partners.
زبان انگلیسی خوب برای جلسه با مشتری لازم است. توضیح یک مشکل فنی برای کسی که فنی نیست، بخشی از کار روزانه است.
مهمExperience with modern neural ASR frameworks (e.g. wav2vec2, Whisper, or similar end-to-end models).
مدل‌های عصبی تازه اینجا امتیازند، نه شرط. یعنی کسی که هر دو را بلد است، روش کلاسیک و مدل‌های end-to-end، دست بالا را دارد.
مفیدExposure to telephony/CCaaS platforms and IVR architectures.
صدای تلفن کیفیت پایین‌تر و نویز خاص خودش را دارد. آشنایی با پلتفرم‌های مرکز تماس ابری (CCaaS) و ساختار IVR کمک می‌کند بفهمید مدل در چه محیطی کار می‌کند.
مفیدAdditional spoken languages beyond English.
چون مدل برای زبان‌ها و منطقه‌های تازه تنظیم می‌شود، دانستن زبان دیگر امتیاز است. فارسی‌زبان‌ها می‌توانند این را به‌عنوان یک توانایی واقعی در رزومه بیاورند.
مفیدتحلیل مسئولیت‌ها
Tune ASR grammars, acoustic models, and language models for new locales, domains, and customer-specific vocabularies.
هر مشتری واژه‌های خودش را دارد: نام محصول، شماره حساب، اسم شعبه. بخش زیادی از کار، تطبیق مدل با زبان، منطقه و واژگان هر مشتری است.
Drive measurable WER/SER improvements against production baselines through acoustic and language model design and fine-tuning, including modern neural approaches.
موفقیت با عدد سنجیده می‌شود: نرخ خطای کلمه (WER) و جمله (SER) نسبت به نسخه‌ای که الان در پروداکشن است. هر تغییری باید نشان دهد این عددها را بهتر کرده است.
Own root-cause investigation and resolution of production ASR issues, ensuring rapid recovery of customer-facing voice channels under time pressure.
وقتی خط تلفن یک بانک درست کار نمی‌کند، باید سریع علت را پیدا کنید و درستش کنید. این بخش کار فشار زمانی دارد.
Monitor live ASR performance and proactively flag and address degradation before it affects customers.
پایش مداوم: باید افت کیفیت را پیش از اینکه مشتری متوجه شود ببینید. پس از ابتدا باید لاگ و معیار کافی در سیستم بگذارید.
Build and maintain grammar-generation and other delivery automation pipelines to speed up release cycles.
کار فقط مدل نیست؛ ساختن ابزار خودکار برای تولید گرامر و انتشار نسخه‌ها هم بخشی از نقش است، یعنی مهارت مهندسی نرم‌افزار لازم است.
Document tuning decisions, model versions, and configuration changes for auditability and knowledge sharing.
در صنایع مقرراتی باید بشود بعداً فهمید چه تغییری، کی و چرا داده شده است. مستندسازی دقیق جزو شرح وظایف است.
نتیجه‌گیری کلی
این آگهی، با نزدیک‌ترین عنوان به نام این صفحه، چهرهٔ تحویل و نگه‌داری ASR در پروداکشن را نشان می‌دهد: تنظیم مدل‌های آکوستیک و زبانی برای مشتری‌های واقعی، رفع خطا زیر فشار زمان و حرف زدن مستقیم با مشتری. Kaldi و روش‌های کلاسیک شرط است و مدل‌های عصبی مثل Whisper و wav2vec2 امتیاز. پنج سال تجربهٔ عملی می‌خواهد و صریحاً می‌گوید مدرک جای تجربهٔ پروداکشن را نمی‌گیرد، پس نقش ورودی نیست. کار ریموت است، بازهٔ حقوق در آگهی نیامده و دانستن زبانی غیر از انگلیسی امتیاز است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده گروه «متخصصان AI و یادگیری ماشین» را سومین شغل پررشد (از نظر درصد) در فاصلهٔ ۲۰۲۵ تا ۲۰۳۰ پیش‌بینی کرده‌اند. WEF تشخیص گفتار را جداگانه نمی‌شمارد و این نزدیک‌ترین گروه در طبقه‌بندی آن است.
منبع: WEF Future of Jobs Report 2025
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان «متخصصان AI و یادگیری ماشین» را سومین شغل پررشد تا ۲۰۳۰ دانسته‌اند. به گفتهٔ همین گزارش، سریع‌ترین رشدها بیشتر از پیشرفت‌های فناوری، از جمله AI و رباتیک، می‌آید.
Together AI در آگهی ۲۰۲۶ خود می‌نویسد صنعت در حال حرکت از زنجیرهٔ ASR → LLM → TTS به سمت مدل‌های end-to-end speech-to-speech است. NVIDIA هم طبق README مخزن NeMo، در ۲۰۲۶ این مخزن را به تمرکز بر صوت، گفتار و LLMهای چندوجهی تغییر داده است.
سه تغییر در آگهی‌های ۲۰۲۶ دیده می‌شود. اول، تشخیص گفتار بیشتر به بخشی از ایجنت صوتی تبدیل می‌شود: Together AI در آگهی‌اش می‌نویسد صنعت از معماری زنجیره‌ای (ASR → LLM → TTS) به سمت مدل‌های end-to-end speech-to-speech می‌رود و Decagon و Amazon مدل‌های full-duplex و speech-to-speech می‌خواهند. به نظر می‌رسد کسی که فقط یک مدل رونویسی را fine-tune می‌کند، باید تأخیر، تعامل بلادرنگ و ارزیابی کل زنجیره را هم یاد بگیرد. دوم، مدل‌های آماده قوی‌تر می‌شوند؛ طبق ویکی‌پدیا، OpenAI در مارس ۲۰۲۵ مدل‌های رونویسی مبتنی بر GPT-4o را با خطای کمتر از Whisper عرضه کرد. ارزش مهندس بیشتر در داده، ارزیابی و تطبیق با زبان و دامنه است. سوم، عنوان شغلی پراکنده و بازار تخصصی است: Lightcast مهارت تشخیص گفتار را جزو خوشهٔ NLP می‌شمارد که در ۲۰۲۵ در ۰٫۲۲٪ آگهی‌های آمریکا آمده است.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۴۳ منبع بررسی شده است.
- Automatic Speech Recognition Engineer — Omilia (job posting)
- Sr. Machine Learning Engineer (Speech) — Level AI (job posting)
- Research Engineer, Audio and Speech — Decagon (job posting)
- Senior Applied Scientist, Speech — Otter.ai (job posting)
- Machine Learning Engineer (Speech/Audio) - Singapore — Plaud (job posting)
- Research Staff, Applied Voice AI — Deepgram (job posting)
- Senior Researcher — AssemblyAI (job posting)
- Senior Machine Learning Engineer — Speechmatics (job posting)
- Machine Learning Team Lead — Speechmatics (job posting)
- Senior Machine Learning Engineer, Voice AI — Together AI (job posting)
- (Senior) Research Scientist - speech recognition — Cerence AI (LinkedIn job posting)
- Senior Automatic Speech Recognition (ASR) Engineer — emagine (LinkedIn job posting)
- Senior ML Engineer - Speech — voize (LinkedIn job posting)
- Senior Machine Learning Engineer (ASR) — Sonia (LinkedIn job posting)
- Applied Scientist, Alexa International Tech — Amazon (job posting)
- 2027 Applied Science Internship - NLP and Speech Technologies — Amazon (job posting)
- Senior Applied Scientist, Real-Time Conversational AI, AGI — Amazon (job posting)
- Member of Technical Staff, Machine Learning — Abridge (job posting)
- LinkedIn — job search for "speech recognition engineer" (United States)
- Glassdoor — Speech Scientist salaries, United States
- Glassdoor — Speech Recognition Engineer salaries, United States
- Glassdoor — Machine Learning Engineer salaries, United Kingdom
- Glassdoor — Gehälter Machine Learning Engineer, Deutschland
- Glassdoor — Machine Learning Engineer salaries, India
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Stanford HAI — AI Index Report 2026 (PDF)
- ITJobsWatch — Speech Recognition (UK)
- Speech recognition — Wikipedia
- Whisper (speech recognition system) — Wikipedia
- Kaldi (software) — Wikipedia
- Word error rate — Wikipedia
- Janet M. Baker — Wikipedia
- Tara Sainath — Wikipedia
- Xuedong Huang — Wikipedia
- NVIDIA NeMo Speech — GitHub repository
- Kaldi — official GitHub repository
- Torchaudio Documentation (maintenance phase note)
- faster-whisper — GitHub repository
- Common Voice — Mozilla
- FLEURS dataset — Hugging Face
- Speech and Language Processing (3rd ed. draft) — Jurafsky & Martin
- Hugging Face Audio Course
- Sequence Modeling with CTC — Awni Hannun (Distill)