音声合成（TTS）モデルエンジニア | フリーランスエンジニア・クリエイターの求人・案件情報

下記ご確認の上、ご応募お願いいたします。 ーーーーーーーーーーーーーーーーーー ・週5（月〜金）で日中に稼働可能な方 ・45歳までの方 ・日本国籍の方 ※副業、請負ではありません。 ーーーーーーーーーーーーーーーーーー ■案件内容 【募集背景】 CTO直下のミッションクリティカルなプロジェクトとして、DMM独自のデータ・ドメインに特化したAIモデル（LLM、音声、画像、動画モデル）の設計・開発をリードする高度AI人材を募集します。 競合他社には真似できないAIサービスを共に創り上げていく意欲のある方を求めています。 現在、保有するユニークなデータを活用した独自LLMを開発することで、他社優位性を確立することを目指しています 。 この戦略的な取り組みを推進するため、AIモデル（LLM、音声、画像、動画モデル）のコア技術を熟知し、モデルSFT、RL、LoRAできるAIエンジニアを求めています 。 【事業部説明】 私たちは、新規事業の創出と成長を技術面から推進する開発本部です。多様なプロジェクトに携わりながら、サービスの企画・設計から開発、リリースまで一貫して関わることができます。 MVP開発のようなスピーディーな小〜中規模プロジェクトから、複数部署が連携する大規模プロジェクトまで、幅広い開発案件を手がけています。新しい技術やアイデアを活かしながら、事業の成功を支える開発に挑戦したい方をお待ちしています！ 【仕事内容】 DMM.comが開発する独自AIモデルのエンジニアとして、研究開発から他チームとのプロダクト化連携まで一気通貫で推進していただきます。 日本最大級のエンタメプラットフォームのデータを活用し、世界に通用する独自のAIモデルを創造する挑戦的なポジションです。 ・独自のAIモデルのアーキテクチャ選定・実装 ・ビジネス要件に応じた評価パイプラインの設計 ・トレーニングデータの収集・作成 ・必要に応じたモデルのトレーニングの実行 ■開発環境 Python ※必要に応じてC++／CUDA、Shell Scriptを使用 ・FW： PyTorch、Hugging Face Transformers／Diffusers 担当領域に応じて、以下のモデル・ツールを利用します。 LLM：LLaMA、Qwen等のTransformer系モデル 音声：Whisper、TTS／Voice-to-Voice関連モデル 画像・VLM：Stable Diffusion、SDXL、VLM関連モデル 動画・アニメーション：Video Diffusion、リップシンク、アバター生成関連モデル ・管理ツール： GitHub、Slack、Jira／Confluence ・その他： JupyterLab、VS Code、Git ・開発マシン： WindowsまたはMac ※モデルの学習・推論は、主にUbuntu LinuxのGPUサーバー上で実施します。 ■開発体制 開発部全体：約20名 ■商流：エンド→弊社 ■契約形態：準委任契約 ■面談回数：確認中 ■基本精算幅：140-180h ■支払いサイト：月末締め翌月末日払い（30日サイト） ■更新期間：3ヶ月更新予定 ■最低稼働日数：週5日 ■最寄駅：六本木 ■リモート状況：フルリモート（地方可能）

1. 共通要件 -機械学習、深層学習または生成AI領域における3年以上の実務経験 -PyTorch、TensorFlow、JAXなどを用いたモデル開発経験 -Transformer、Diffusion Model、音声モデルなど、生成モデルに関する理解 -線形代数、確率統計、最適化など、機械学習の数学的基礎への理解 -論文やOSSの実装を調査し、プロトタイプとして再現・検証できる能力 -モデルの精度だけでなく、レイテンシ、スループット、GPUメモリ、運用コストを考慮した設計経験 -エンジニア、研究者、プロダクトマネージャーなど、複数職種と連携して開発を進めた経験 -技術的な不確実性が高い状況において、仮説設定、検証、改善を主体的に進められる能力 以下の専門領域のうち、一つ以上における高度な実務経験を必須とします。 2. LLM・AIエージェント領域 -GPT、LLaMA、Qwen、Gemma、DeepSeekなど、Transformer系モデルの開発・改良経験 -SFT、LoRA、QLoRA、DPO、RLHFなどを用いたモデル最適化経験 -プロンプトエンジニアリング、コンテキストエンジニアリング、RAGの設計経験 -Tool Calling、Function Calling、MCPなどを利用したAIエージェント開発経験 -会話履歴、長期記憶、検索、外部ツールを組み合わせたシステム設計経験 -LLMの評価データセットおよび自動評価・人手評価基盤の構築経験 -ハルシネーション、安全性、拒否応答、ユーザー意図理解などの品質改善経験 -vLLM、TensorRT-LLM、SGLang、TGIなどを用いた推論最適化経験 日本語LLMに関する経験 -日本語データセットまたは日本語コーパスの構築・前処理経験 -SentencePiece、BPEなど、トークナイザーに関する知識または実装経験 -日本語LLMの品質評価、ベンチマーク設計、エラー分析経験 -日本語特有の表現、文脈、敬語、会話品質を考慮したモデル改善経験 -日本語・英語を含むマルチリンガルモデルの開発または評価経験 3. 音声・リアルタイムVoice-to-Voice領域 -ASR／STT、TTS、音声変換、音声対話システムのいずれかに関する開発経験 -Whisper、Conformer、Wav2Vec、VITS、FastSpeech、Codec Language Modelなどへの理解 -ストリーミング音声認識またはストリーミング音声合成の実装経験 -リアルタイムVoice-to-Voiceシステムの設計・開発経験 -ユーザーの発話中にAIが認識・応答を開始する低遅延処理の設計経験 -全二重音声対話における割り込み、ターンテイキング、発話終了判定の実装経験 -VAD、エコーキャンセリング、ノイズ除去、音声区間検出に関する知識 -WebRTC、WebSocket、gRPC Streamingなどを用いたリアルタイム通信の経験 -TFT／TTFA、音声生成速度、同時接続数を考慮した性能最適化経験 -音声の自然さ、感情、イントネーション、話者性、発音品質の評価・改善経験 4. 画像生成・VLM領域 -Stable Diffusion、SDXL、FLUXなどのDiffusion Modelを用いた画像生成経験 -LoRA、DreamBooth、ControlNet、IP-Adapterなどを用いたモデル調整経験 -ComfyUI、Diffusersなどを利用した画像生成ワークフローの構築経験 -画像生成モデルの学習データ作成、キャプショニング、前処理経験 -プロンプト追従性、画質、一貫性、安全性に関する評価・改善経験 -GPUメモリ最適化、バッチ処理、並列推論、モデル量子化の経験 VLM・画像理解に関する経験 -CLIP、LLaVA、Qwen-VL、Gemini系モデルなど、VLMの開発・利用経験 -画像分類、物体検出、OCR、画像キャプション、Visual Question Answeringの経験 -画像とテキストを組み合わせた検索、推薦、エージェントシステムの設計経験 -VLMの評価データセット、プロンプト、ベンチマークの設計経験 -画像内の人物、商品、背景、構図、表情などを構造化して抽出するシステムの開発経験 5. 動画・アニメーション生成領域 -Text-to-Video、Image-to-Video、Video-to-Videoモデルの開発または利用経験 -Stable Video Diffusion、WAN、HunyuanVideo、CogVideoなどの動画生成モデルへの理解 -キャラクター、人物、背景、衣装などの時間的一貫性を改善した経験 -フレーム間のちらつき、形状崩れ、顔の変化など、動画生成特有の問題への対応経験 -動画生成モデルのファインチューニング、LoRA学習、推論最適化経験 -長時間動画生成、シーン分割、ストーリーボード生成、動画編集パイプラインの設計経験 -GPUを用いた動画生成処理の高速化、並列化、分散実行経験

-コンピュータサイエンス、数学、物理、音声処理、画像処理などのPhD、または同等の研究実績 -NeurIPS、ICML、ICLR、ACL、EMNLP、CVPR、ICCV、ECCV、ICASSP、Interspeech、SIGGRAPHなどでの論文発表経験 -Big Tech、AIスタートアップ、研究機関での生成AI開発経験 -OSSモデル、ライブラリまたは研究コミュニティへのコントリビューション経験

長期

30日

140~180時間

2026年8月24日