Ingénieur en traitement des langues et développement de Modèles de reconnaissance de la parole

TN France; Villers-lès-Nancy; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une entreprise innovante cherche un ingénieur en traitement des langues pour développer un système de reconnaissance de la parole. Ce poste unique implique la création de modèles adaptés aux langues régionales de France, en collaborant avec des experts et en utilisant des technologies de pointe. Vous aurez l'opportunité de travailler sur des projets passionnants qui soutiennent la diversité linguistique et contribuent à la communauté de la technologie linguistique. Rejoignez une équipe dynamique et faites une différence dans la préservation et la promotion des langues de France.

Prestations

Restauration subventionnée

Transports publics remboursés partiellement

7 semaines de congés annuels

Possibilité de télétravail

Équipements professionnels à disposition

Accès à la formation professionnelle

Prestations sociales, culturelles et sportives

Qualifications

• Master en machine learning ou équivalent requis.
• Solides connaissances en machine learning et ASR appréciées.

Responsabilités

• Collecte et prétraitement de données audio en langues de France.
• Développement et adaptation d'un système ASR pour plusieurs langues.

Connaissances

Machine Learning

ASR (Automatic Speech Recognition)

Signal Processing

Team Collaboration

Creative Problem Solving

Knowledge of Regional Languages

Formation

Master en Machine Learning

Informatique

Linguistique Informatique

Description du poste

Ingénieur en traitement des langues et développement de Modèles de reconnaissance de la parole, Villers-lès-Nancy

Villers-lès-Nancy, France

Contexte et atouts du poste

Motivation et Contexte

À travers le projet COLaF (Corpus et Outils pour les Langues de France), Inria a pour objectif de contribuer au développement de corpus et d’outils libres pour le français et les autres langues de France (alsacien, breton, corse, occitan, etc). La promotion et sauvegarde de ces langues dépend de la disponibilité des technologies linguistiques, mais ces langues sont largement ignorées par les industriels.

La principale difficulté au développement de technologies linguistiques variées est le manque de données. En particulier, les données audio ont besoin d’une transcription pour la plupart des applications. Mais transcrire manuellement des données audio est coûteux en temps, nécessite la participation d’un.e locuteur.trice de bon niveau, et peut résulter en des données inconsistentes en l’absence d’orthographe standard. Afin d’augmenter la quantité de données audio annotées pour diverses langues de France, et de développer la première brique de chaines de traitement variées pour ces langues, nous souhaitons développer une chaine de traitement pour l’entrainement de systèmes de reconnaissance de la parole (ASR, automatic speech recognition).

Les corpus et modèles réalisés seront mis à disposition autant que possible gratuitement, afin de soutenir le développement de la communauté de la technologie linguistique des langues de France.

Mission confiée

La mission principale est de créer un système de reconnaissance de la parole (ASR) adapté au contexte des langues peu dotées. Le modèle devra être souple afin de s’adapter à des sources de données variant dans leur quantité et qualité. Il s’agit de types d’enregistrements variés : longues interviews, phrases isolées, émissions de TV, etc.

Le système devra automatiser un maximum d’étapes afin de pouvoir être facilement déployé sur plusieurs langues.

Le système s’appuierai sur le système ASR existant Whisper, qu’il faudra adapter et ré-entrainer sur des données dans les langues que nous souhaitons couvrir. La mission comprend aussi l’amélioration du système en y ajoutant d’autres outils, phases de prétraitement, systèmes pour améliorer les données d’entrainement, etc.

La mission inclue d’interagir avec des chercheurs experts dans les langues concernées pour évaluer et améliorer le système de façon itérative.

Nos langues de travail incluent les langues régionales (picard, occitan, provençal, etc) ainsi que les créoles à base française et les langues des territoires d’outre-mer (kanak, etc). Un intérêt particulier peut être accordé à une langue selon les connaissances et intérêts du ou de la candidat.e.

Principales activités

• Collecte et prétraitement de données en langues de France, via collaboration avec fournisseurs de données institutionnels et associatifs
• Développement d’une pipeline d’entrainement de système ASR, du nettoyage des données audio jusqu’à la publication du modèle
• Adaptation du système à différents scénarios et types de données
• Analyse des résultats et adaptation du modèle de façon itérative
• Préparation, documentation et publication de jeux de données et de modèles
• Promotion des modèles publiés afin de lancer une communauté autour du traitement des langues concernées

Compétences

• Master en machine learning, informatique, linguistique informatique ou équivalent
• Solides connaissances en machine learning
• Expérience en ASR ou traitement du signal appréciée
• Connaissance d’une langue de France appréciée mais pas nécessaire, tel que corse, occitan, picard, ou créole à base française
• Capacité à travailler en équipe
• Capacité à suggérer des solutions originales
• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle
• Sécurité sociale

Rémunération

A partir de 2692 € brut/mois selon diplômes et expériences