R&D の求人一覧 - 株式会社Recho

【この求人を一言でいうと】 音声AIおよびLLMの推論フレームワークを独立して設計・実装し、スループットとGPUコストを最適化する「AI推論基盤エンジニア（シニア）」のポジションです。なお、GPUクラスタの保守運用やSRE業務、RL学習基盤の構築は主業務ではありません。 チーム内の公用語は英語（日本語不問）で、想定年収は1,000万〜2,000万円（応相談）。勤務地は原則として、半蔵門オフィス（ハイブリッド前提）です。ただし、海外居住者や遠方の方からのご応募、フルリモート・ビザ取得サポート等についても柔軟に相談に応じます。■こんな経歴の方に向いていますLLM推論基盤（vLLM／SGLangなど）の構築・チューニング経験があるMLOps／ML Platformエンジニアの方音声認識・音声合成モデルの研究開発から、推論基盤・システム側へ軸足を移したい方大規模GPU上での推論ジョブのスループット・コスト最適化に携わってきた方■役割：複数モデル（LLM／音声）に対応する高効率な推論フレームワークの設計・実装Recho（レコー）では、複数の音声モデルおよび大規模言語モデル（LLM）を対象に、学習、評価、データ生成、バッチ推論（大量データの一括推論）を効率的に実行するためのAI推論基盤を構築しています。本ポジションの中心的なミッションは、複数の音声モデルおよびLLMに対応できる高効率な推論フレームワークを独立して設計・実装することです。単純なモデルのAPI化や既存フレームワークの設定作業ではありません。モデルごとの構造、入出力、シーケンス長、前後処理、GPU特性を理解したうえで、モデル実行、バッチング、データ処理、スケジューリングを適切に分離・統合し、再利用可能な推論アーキテクチャを構築していただきます。LLM領域でも、vLLM・SGLangなどの既存推論エンジンを活用し、モデル適応、推論パラメータ、バッチング、Prefill／Decode、リクエスト優先度などを調整します。音声とLLMの両面から、推論のスループットとGPUコストを最適化することが本ポジションの核です。【このポジションで「やらないこと」】オンラインサービスのSLA管理、オンコール、障害復旧、インフラ保守を主目的とするポジションではありませんGPUクラスタそのものの保守運用、一般的なSRE／DevOps業務は主業務ではありません（GPUクラスタの運用保守は別チームが担当します）CUDA Kernelや推論エンジンのフルスクラッチ開発は主業務ではありませんRL（強化学習）学習基盤そのものの構築は、別ポジション「RL基盤エンジニア」が担当します（本ポジションは推論側を中心に連携します）■お任せしたい主な業務 1. 音声モデル向け共通推論フレームワークの設計・実装音声認識（ASR）・音声合成（TTS）・音声対話（Speech-to-Speech）・音声生成など、複数種類の音声モデルに対応する共通推論アーキテクチャの設計共通モジュールとモデル固有モジュールの責務分離、新規モデルを追加するためのAdapter／Pluginインターフェースの設計モデル開発チームが利用する推論API・SDK・実行ツールの開発2. 大規模音声データの高効率バッチ推論・Pipeline最適化可変長音声に対するDynamic Batching・Bucketing、複数GPU／ノードによるデータ並列推論の設計前処理・推論・後処理・ストレージI/Oを重ね合わせる非同期実行Pipelineの構築End-to-Endの処理時間とコストを基準としたボトルネックの計測・改善3. LLM推論の適応・最適化vLLM・SGLangなど成熟した推論エンジンを活用したLLM推論環境の構築（独自エンジンのフルスクラッチ開発は主業務ではありません）Tensor／Pipeline Parallel、Continuous Batching、KV Cache／Prefix Cacheなどの調整Prefill／Decodeの特性やタスク優先度を考慮したスケジューリング設計4. GPUリソースの利用設計（推論ワークロード視点）バッチ推論・評価を対象としたGPU割り当てとキャパシティ設計Kubernetes・Slurm・RayなどによるGPU推論ジョブの実行制御モデル・タスク単位でのGPU使用量と推論コストの可視化・改善 ※より詳細な業務内容については、カジュアル面談や面接の際にお話しさせていただきます。■このポジションの魅力 1. 「音声モデルの推論」という、まだ定石のない領域を切り拓ける 可変長音声・Codec・Vocoder・Speech-to-Speech・マルチモーダルなど、音声特有の推論には最適化の定石がまだありません。モデルの特性を理解して再利用可能な推論アーキテクチャをゼロから設計でき、後続モデル・全チームの土台になります。2. 音声とLLM、両面の推論を一気通貫で最適化できる 音声モデルとLLMの双方を対象に、フレームワーク設計からバッチ推論・スケジューリングまで一貫して担えます。部分最適ではなく、推論全体のスループットとGPUコストで勝負できる希少なスコープです。3. 自社の中核技術として、競争力やコスト最適化といった経営指標に直結 推論効率が生成音声あたりのGPUコストや応答速度を左右し、大手企業が本番運用するプロダクトの競争力そのものを決めます。保守ではなく、事業の中核技術によって価値を生み出せます。■利用サービス・技術スタック一覧言語・実装：Python ／ PyTorchLLM推論：vLLM ／ SGLang ／ TensorRT-LLM ／ Triton Inference Server音声モデル：ASR ／ TTS ／ Speech-to-Speech ／ Audio Codec ／ Vocoderリソース管理・ジョブ実行：Kubernetes ／ Slurm ／ Ray低レベル最適化（歓迎）：C++ ／ CUDA ／ Triton ／ NCCL■プロダクトの優位性について 人間と区別がつかないレベルの自然な対話を実現する「Recho AI Voice Platform」の開発と、大手企業への「Voice AI Agent」の導入・運用支援を行っています。 最大の強みは、高品質なAI Agentを効率よく構築・改善できるプロダクト基盤にあります。業界の暗黙知を吸収し、ユーザーからのフィードバックデータをもとに、継続改善のサイクルを圧倒的な速度で回せる仕組みです。この技術により、金融・メーカー・行政などの実業務において複雑で大規模なコールセンターのAI化が急速に拡大しており、人間のオペレーターへの引き継ぎゼロ（完結率100%）を達成したプロジェクト実績もあります。■面接・選考プロセス カジュアル面談 ⇒ ケース課題・一次面接 ⇒ トライアル業務委託* ⇒ 最終面接 ⇒ オファー面談 *トライアル業務委託は、1日〜連続2日間オフィスにお越しいただき、実際にオフィスで業務に取り組んでいただく機会です（有償）。メンバーと協働し、カルチャーマッチと業務理解を確認し合う期間です。 ※場合によってリファレンスチェックを依頼させていただくことがございます ※スケジュールや副業規定で業務委託が難しい場合には、ご相談くださいませ■Rechoについて Rechoは、カスタマーサポート領域の効率化を牽引する「AI Agent」の基盤モデル開発から、顧客への実装・プロジェクトデリバリーまでを同一組織内で一気通貫で行うテクノロジー企業です。現在は、フルスクラッチで自社開発した「音声AI」技術を最大の強みとし、業界の長年の課題であった品質とコストのトレードオフを解消するソリューションをエンタープライズ向けに提供しています 。シリーズAで約7億円の資金調達を完了し、SBI新生銀行やKDDIといった大手企業のシビアな本番環境への社会実装を急進させているフェーズです。Rechoについて詳しく知りたい方に向けて、会社やプロダクトに関する公開情報をまとめたページをご用意しました。このページでは、弊社の事業内容やプロダクトの詳細、所属メンバーについてご覧いただけます。■参考情報コーポレートサイトチームメンバーのインタビューnoteCompany deck事例：KDDI、アルティウスリンクと協業導入事例：SBI新生銀行様 ※2分程度の音声デモもぜひお聞きください※

【この求人を一言でいうと】 Recho（レコー）のAIを賢くするための“教材”（学習データ・評価データ）を、実際の業務データから一貫して設計・構築するLLMデータエンジニアのポジションです。通話ログや業務システムから、モデルに何を学ばせるかを考えてデータを作り、品質を担保する仕組み化を担います。今は案件ごとに属人的な工程を、再現性のある標準フローに変えるフェーズです。チーム内の公用語は英語ですが、本ポジションは日本語TTSの品質を扱う性質上、日本語でのコミュニケーション（N2レベルを目安）が必須です。年収は1,000万～2,000万円（応相談）。勤務地は原則として、半蔵門オフィス（ハイブリッド前提）です。ただし、海外居住者や遠方の方からのご応募、フルリモート・ビザ取得サポート等についても柔軟に相談に応じます。■こんな経歴の方に向いています基盤モデル企業で、ポストトレーニング用データ（SFT・選好・合成データ）を構築してきた方CS・対話AI企業で、実際の業務ログや業務システムと向き合い、学習データを設計してきた方データエンジニア／MLエンジニアとして、業務システムとのデータ連携を自ら設計・実装してきた方■役割：実データを起点に、LLMの学習・評価データを一貫して設計・構築する Rechoでは、モデル性能の上限は「報酬とデータの質」で決まると考えています。本ポジションの中心的なミッションは、実データ（通話ログ、業務システム、FAQ・マニュアル等）を起点に、LLMの学習・評価データを一貫して設計・構築することです。 現状は案件ごとにデータを作る工程が属人的で、再現性がありません。これを、実データのクレンジング・匿名化・構造化から、SFT・RL用データの構築（合成データ生成、難易度制御、重複除去、混合比調整）、評価セット・ベンチマーク整備までを、標準化された仕組みにしていただきます。今後20～30案件への展開を支える土台であり、学習結果のエラー分析からデータを改善する“データフライホイール”の設計・運用まで担います。将来はデータ・評価チームのリードも見据えたポジションです。【このポジションで「やらないこと」】オンラインサービスのSLA管理、オンコール、インフラ保守を主目的とするポジションではありませんGPUクラスタの保守運用、一般的なSRE／DevOps業務は主業務ではありません（運用保守は別チームが担当します）学習アルゴリズムや報酬の最終設計そのもの（SFT・RLの手法設計、損失関数の改良）は別ポジション「LLMトレーニングエンジニア」が担当します（本ポジションはデータと評価セットの設計・構築で連携します）顧客業務の要件定義・「正しい応答」の定義そのものは別ポジション「データPM」が担当します（本ポジションはそれを実データに落とし込み、構築します）■お任せしたい主な業務 1. 実データの調査・設計・整備案件ごとの業務システム・実データの調査と、学習・評価データの一貫した設計通話ログ等の実データのクレンジング、匿名化、構造化2. 学習・評価データの構築SFT・RL用データの構築（合成データ生成、難易度制御、重複除去、混合比の調整）報酬関数・評価セットの実装と、案件ごとのベンチマーク整備3. データフライホイールの運用学習結果のエラー分析と、データ改善につなげるループの設計・運用再現性・バージョン管理を担保したデータパイプラインの構築※より詳細な業務内容については、カジュアル面談や面接の際にお話しさせていただきます。■このポジションの魅力 1. モデル性能の“上限”を決める側に立てる 性能の上限は報酬とデータの質で決まります。「何を覚えさせ、何をプロンプトで渡すか」から設計し、モデルの賢さの土台を自分の手で作れます。2. 属人化を仕組みに変える0→1 今は案件ごとにバラバラなデータ構築を、再現性のある標準フロー＝データフライホイールに作り替えます。20～30案件への展開を支える基盤を一から設計できます。3. 実データとプロダクトの最前線 実際の通話ログや業務システムと向き合い、CS現場の課題をデータに落とし込む仕事。研究用の綺麗なデータではなく、本番を動かすデータで勝負できます。■利用サービス・技術スタック一覧言語・実装：Python（pandas ／ Polars ／ Spark 等）データ基盤：ETL ／ バージョン管理 ／ 再現性担保 ／ SQL ／ 各種API・DB連携合成データ・評価：LLM APIによる合成データ生成 ／ LLM-as-a-Judge学習フレームワーク入力：TRL ／ verl（SFT・RL用データの整形）■プロダクトの優位性について 人間と区別がつかないレベルの自然な対話を実現する「Recho AI Voice Platform」の開発と、大手企業への「Voice AI Agent」の導入・運用支援を行っています。 最大の強みは、高品質なAI Agentを効率よく構築・改善できるプロダクト基盤にあります。業界の暗黙知を吸収し、ユーザーからのフィードバックデータをもとに、継続改善のサイクルを圧倒的な速度で回せる仕組みです。この技術により、金融・メーカー・行政などの実業務において複雑で大規模なコールセンターのAI化が急速に拡大しており、人間のオペレーターへの引き継ぎゼロ（完結率100%）を達成したプロジェクト実績もあります。■面接・選考プロセス カジュアル面談 ⇒ ケース課題・一次面接 ⇒ トライアル業務委託* ⇒ 最終面接 ⇒ オファー面談 *トライアル業務委託は、1日〜連続2日間オフィスにお越しいただき、実際にオフィスで業務に取り組んでいただく機会です（有償）。メンバーと協働し、カルチャーマッチと業務理解を確認し合う期間です。 ※場合によってリファレンスチェックを依頼させていただくことがございます ※スケジュールや副業規定で業務委託が難しい場合には、ご相談くださいませ■Rechoについて Rechoは、カスタマーサポート領域の効率化を牽引する「AI Agent」の基盤モデル開発から、顧客への実装・プロジェクトデリバリーまでを同一組織内で一気通貫で行うテクノロジー企業です。現在は、フルスクラッチで自社開発した「音声AI」技術を最大の強みとし、業界の長年の課題であった品質とコストのトレードオフを解消するソリューションをエンタープライズ向けに提供しています 。シリーズAで約7億円の資金調達を完了し、SBI新生銀行やKDDIといった大手企業のシビアな本番環境への社会実装を急進させているフェーズです。Rechoについて詳しく知りたい方に向けて、会社やプロダクトに関する公開情報をまとめたページをご用意しました。このページでは、弊社の事業内容やプロダクトの詳細、所属メンバーについてご覧いただけます。■参考情報コーポレートサイトチームメンバーのインタビューnoteCompany deck事例：KDDI、アルティウスリンクと協業導入事例：SBI新生銀行様 ※2分程度の音声デモもぜひお聞きください※

【この求人を一言でいうと】 Recho（レコー）のAIモデルを、特訓（ポストトレーニング）で自社向けにもっと賢くするLLMトレーニングエンジニアのポジションです。学習の手法・“採点”のしくみ（報酬設計）・教材（学習データ）を自ら設計し、モデルの賢さそのものに責任を持ちます。汎用AIを自社ユースケースに最適化し、将来はその性能をAPIとして外部提供する事業化も見据えます。チーム内の公用語は英語（日本語不問）で、年収は1,000万～2,000万円（応相談）。勤務地は原則として、半蔵門オフィス（ハイブリッド前提）です。ただし、海外居住者や遠方の方からのご応募、フルリモート・ビザ取得サポート等についても柔軟に相談に応じます。■こんな経歴の方に向いています機械学習エンジニア／リサーチャーとして、LLMの学習（特にポストトレーニング）に深く従事してきた方SFT・選好最適化・RLHFを本番モデルに適用し、リリースまで経験した方情報系・数理系のバックグラウンド（修士／博士、または同等の実務経験）で、国際会議発表やOSS実績がある方■役割：ポストトレーニングでLLMを自社ユースケースに最適化し、モデル品質に責任を持つ Rechoでは、汎用のLLMをそのまま使うのではなく、ポストトレーニングで自社のユースケースに最適化し、プロダクトへ深く組み込んでいます。本ポジションの中心的なミッションは、SFT・選好最適化・強化学習（RL）といった学習手法を設計・実装・運用し、単一モデルのポストトレーニングにおける学習品質に責任を持つことです。報酬設計（報酬モデル・RLVR・LLM-as-a-Judge）や学習データの品質・混合比の設計、ポストトレーニングのアルゴリズム自体の改良（損失関数・KLペナルティ・advantage推定の改善、学習の安定化）まで、モデルを賢くするコアに踏み込んでいただきます。 さらに、ここで得た性能をAPIとして外部提供し、事業の第二の柱に育てていく構想もあります。long CoT・reasoning、tool use・function callingなど、エージェント用途のポストトレーニングも対象です。【このポジションで「やらないこと」】オンラインサービスのSLA管理、オンコール、障害復旧、インフラ保守を主目的とするポジションではありませんGPUクラスタそのものの保守運用、一般的なSRE／DevOps業務は主業務ではありません（運用保守は別チームが担当します）学習・推論を回す基盤システムそのものの構築（Rollout基盤・重み同期・GPUリソース配分）は別ポジション「RL基盤エンジニア」が担当します（本ポジションは学習アルゴリズム・報酬・データに責任を持ち、基盤チームと連携します）事前学習（Pre-training）をゼロから行うことは主務ではありません（ポストトレーニングが中心です）■お任せしたい主な業務 1. ポストトレーニングの設計・実装・運用SFT／選好最適化（DPO・KTO・ORPO・SimPO 等）／オンラインRL（PPO・GRPO・RLOO 等）の設計・実装・運用long CoT／reasoning、tool use・function calling・エージェント用途のポストトレーニングポストトレーニングのアルゴリズム改良（損失関数・KLペナルティ・advantage推定の改善、学習の安定化・サンプル効率の改善）2. 報酬設計報酬モデル、RLVR（検証可能報酬）、LLM-as-a-Judge パイプラインの構築報酬ハッキング・報酬の過最適化の検知・分析・対処3. 学習データの品質管理合成データ生成とデータ品質管理（混合比の最適化、難易度制御、重複除去、ベンチマーク汚染検査）選好データ・合成データの生成・フィルタリング4. 評価基盤の内製化製品品質と相関する社内評価セットの新規設計評価基盤の設計・内製化、人手評価・A/Bテストの設計とアノテーションガイドライン整備※より詳細な業務内容については、カジュアル面談や面接の際にお話しさせていただきます。■このポジションの魅力 1. モデルを賢くする“コア”に責任を持てる 汎用LLMを自社ユースケースに最適化する学習アルゴリズム・報酬・データのコアを担い、単一モデルのポストトレーニング品質に責任を持てます。基盤を使うのではなく、モデルの賢さそのものを設計する立場です。2. 事業の第二の柱を一から作れる ポストトレーニングで得た性能をAPIとして外部提供し、事業の第二の柱に育てる構想。プロダクト最適化から事業化までを見据えて動けます。3. 最先端の手法を本番で回せる GRPO等のオンラインRL、long CoT・reasoning、エージェント用途のポストトレーニングなど、トップラボ水準の手法を、大手企業が本番運用するプロダクトに直接適用できます。■利用サービス・技術スタック一覧言語・実装：Python ／ PyTorch学習手法：SFT ／ DPO・KTO・ORPO・SimPO ／ PPO・GRPO・RLOO報酬・評価：報酬モデル ／ RLVR（検証可能報酬）／ LLM-as-a-JudgeRL・分散学習：verl ／ OpenRLHF ／ TRL ／ FSDP ／ DeepSpeed ／ Megatron-LMロールアウト推論：vLLM ／ SGLang実験管理・リソース：Weights & Biases 等 ／ Slurm ／ Kubernetes■プロダクトの優位性について 人間と区別がつかないレベルの自然な対話を実現する「Recho AI Voice Platform」の開発と、大手企業への「Voice AI Agent」の導入・運用支援を行っています。 最大の強みは、高品質なAI Agentを効率よく構築・改善できるプロダクト基盤にあります。業界の暗黙知を吸収し、ユーザーからのフィードバックデータをもとに、継続改善のサイクルを圧倒的な速度で回せる仕組みです。この技術により、金融・メーカー・行政などの実業務において複雑で大規模なコールセンターのAI化が急速に拡大しており、人間のオペレーターへの引き継ぎゼロ（完結率100%）を達成したプロジェクト実績もあります。■面接・選考プロセス カジュアル面談 ⇒ ケース課題・一次面接 ⇒ トライアル業務委託* ⇒ 最終面接 ⇒ オファー面談 *トライアル業務委託は、1日〜連続2日間オフィスにお越しいただき、実際にオフィスで業務に取り組んでいただく機会です（有償）。メンバーと協働し、カルチャーマッチと業務理解を確認し合う期間です。 ※場合によってリファレンスチェックを依頼させていただくことがございます ※スケジュールや副業規定で業務委託が難しい場合には、ご相談くださいませ■Rechoについて Rechoは、カスタマーサポート領域の効率化を牽引する「AI Agent」の基盤モデル開発から、顧客への実装・プロジェクトデリバリーまでを同一組織内で一気通貫で行うテクノロジー企業です。現在は、フルスクラッチで自社開発した「音声AI」技術を最大の強みとし、業界の長年の課題であった品質とコストのトレードオフを解消するソリューションをエンタープライズ向けに提供しています 。シリーズAで約7億円の資金調達を完了し、SBI新生銀行やKDDIといった大手企業のシビアな本番環境への社会実装を急進させているフェーズです。Rechoについて詳しく知りたい方に向けて、会社やプロダクトに関する公開情報をまとめたページをご用意しました。このページでは、弊社の事業内容やプロダクトの詳細、所属メンバーについてご覧いただけます。■参考情報コーポレートサイトチームメンバーのインタビューnoteCompany deck事例：KDDI、アルティウスリンクと協業導入事例：SBI新生銀行様 ※2分程度の音声デモもぜひお聞きください※

In shortYou'll design and build Recho's inference framework for speech models and LLMs, and you'll own its throughput and GPU cost. This is a hands-on senior role: you'll architect the system and write much of the code yourself.Team language: English (Japanese not required)Salary: ¥10M–¥20M per year, plus stock optionsLocation: Tokyo (Hanzomon), hybrid. Candidates based outside Japan are welcome. We offer visa sponsorship and relocation support, and we're open to discussing fully remote arrangements.You might be a fit if you are…An MLOps / ML platform engineer who has built and tuned LLM inference stacks (vLLM, SGLang, etc.)A speech recognition or speech synthesis engineer/researcher who wants to shift toward inference systemsAn engineer who has optimized throughput and cost for inference workloads on large GPU clustersAbout the roleAt Recho, we run training, evaluation, data generation and large-scale batch inference across multiple speech models and LLMs. Your core mission is to independently design and implement a high-efficiency inference framework that serves all of them.This isn't about wrapping a model in an API or tweaking config files. You'll need to understand each model's architecture, inputs and outputs, sequence lengths, pre- and post-processing, and GPU characteristics. From there, you'll separate and integrate model execution, batching, data processing and scheduling into a reusable inference architecture.On the LLM side, you'll build on mature engines such as vLLM and SGLang. You'll tune model adaptation, inference parameters, batching, prefill/decode behavior and request priority. Across both speech and LLMs, your north star is throughput and GPU cost.What this role is notNot an on-call or SRE role. SLA management, incident response and infrastructure maintenance for online services are not the focus.GPU cluster operations and general DevOps are handled by a separate team.Writing CUDA kernels or building an inference engine from scratch is not the main job.RL training infrastructure belongs to our separate RL Infrastructure Engineer role. You'll partner with that team on the inference side.What you'll do1. Build a common inference framework for speech modelsDesign a shared inference architecture for ASR, TTS, speech-to-speech and other audio generation modelsDraw clear boundaries between shared and model-specific modules, with adapter/plugin interfaces for onboarding new modelsBuild the inference APIs, SDKs and tooling our model teams use every day2. Optimize large-scale batch inference for audioApply dynamic batching and bucketing for variable-length audio, and run data-parallel inference across GPUs and nodesBuild asynchronous pipelines that overlap preprocessing, inference, postprocessing and storage I/OMeasure and remove bottlenecks based on end-to-end processing time and cost3. Adapt and optimize LLM inferenceStand up LLM inference on mature engines such as vLLM and SGLangTune tensor/pipeline parallelism, continuous batching, KV cache and prefix cacheDesign scheduling that accounts for prefill/decode characteristics and task priority4. Plan GPU usage for inference workloadsHandle GPU allocation and capacity planning for batch inference and evaluationOrchestrate GPU inference jobs with Kubernetes, Slurm and RayTrack and reduce GPU usage and inference cost per model and per taskWe're happy to go into more detail during the intro call and interviews.Why this roleSet the playbook in an area that doesn't have one yet. Inference for variable-length audio, codecs, vocoders, speech-to-speech and multimodal models has no established best practices. What you design becomes the foundation for every future model and team.Own inference end to end. You'll cover both speech and LLMs, from framework design to batch inference and scheduling. That means you optimize the whole system, not just one piece of it.Directly move the business. Inference efficiency determines GPU cost per unit of generated speech and response latency. Those decide how competitive our product is for the major enterprises running it in production.Tech stackLanguages & frameworks: Python, PyTorchLLM inference: vLLM, SGLang, TensorRT-LLM, Triton Inference ServerSpeech models: ASR, TTS, speech-to-speech, audio codecs, vocodersOrchestration: Kubernetes, Slurm, RayLow-level optimization (nice to have): C++, CUDA, Triton, NCCLOur productWe build the Recho AI Voice Platform, which delivers voice conversations natural enough to be hard to tell apart from a human. We also deploy and operate Voice AI Agents for large enterprises.Our edge is a platform for building and improving high-quality agents quickly. It captures industry know-how and turns user feedback into a fast, continuous improvement loop. Our agents now handle complex, large-scale contact center operations in finance, manufacturing and the public sector. In some deployments, they've resolved every call without handing off to a human agent.Hiring processIntro call → Case assignment & first interview → Paid work trial* → Final interview → Offer meeting*The work trial is 1–2 consecutive days at our Tokyo office, working on real tasks alongside the team, and it's paid. It's a chance for both sides to check fit and get a feel for the work.If you're based outside Japan, we'll agree on the format together. We won't ask you to travel to Japan just for this step.If your schedule or your current employer's side-work policy makes the trial difficult, just let us know.We may also ask for references.About RechoRecho develops foundation models for customer-support AI agents and also deploys them for clients, all within one organization. Our core strength is voice AI technology we built entirely in-house, which resolves the industry's long-standing trade-off between quality and cost.We've closed a Series A of approximately ¥700M and are rapidly rolling out to demanding production environments at major companies such as SBI Shinsei Bank and KDDI.Learn moreCorporate websiteTeam interviews (note, in Japanese)Company deckCase study: Partnership with KDDI and Altius Link (Japanese)Case study: SBI Shinsei Bank (Japanese)2-minute voice demo — give it a listen!

【この求人を一言でいうと】 Recho（レコー）の電話AIが話す“声”そのものの品質を、AIモデルとデータの両面から主導して良くするシニアエンジニア（音声合成／TTS）のポジションです。読み間違い・不自然なイントネーション・遅延といった課題を特定し、改善を推進します。将来は音声チームのリードも見据えています。チーム内の公用語は英語ですが、本ポジションは日本語TTSの品質を扱う性質上、日本語でのコミュニケーション（N2レベルを目安）が必須です。年収は1,000万～2,000万円（応相談）。勤務地は原則として、半蔵門オフィス（ハイブリッド前提）です。ただし、海外居住者や遠方の方からのご応募、フルリモート・ビザ取得サポート等についても柔軟に相談に応じます。■こんな経歴の方に向いていますTTS・音声合成の研究開発を手がけ、プロダクトとしてリリースした経験がある方モデルだけでなく、音声データの設計・品質管理やプロダクト要件への落とし込みまで一貫して担いたい方チーム・プロジェクトをリードし、音声チームを立ち上げ・統括していきたい方■役割：TTS（音声合成）の品質を、モデルとデータの両面から主導して引き上げるRecho（レコー）の電話カスタマーサポートでは、AIが話す“声”の品質（自然さ・正確さ・安定性・遅延）が顧客体験を直接左右します。本ポジションの中心的なミッションは、TTS（音声合成）モデルの品質課題を特定し、モデルとデータの両面から改善を主導することです。読み間違い、不自然なイントネーション、不安定さ、遅延といった課題に対し、最新のTTSアーキテクチャ（LLMベースTTS、Audio Codec、Flow Matching、Diffusion 等）の学習・改良と、音声データの収集・選定・品質基準づくりの両輪で解決策を立て、実行していただきます。さらに、PM・案件側の要望を技術課題に翻訳し、改善ロードマップを描くことも重要な役割です。推論チームと連携した本番導入・低遅延化、将来的には音声チーム（TTS・音声データ）のリードまで見据えたポジションです。【このポジションで「やらないこと」】オンラインサービスのSLA管理、オンコール、障害復旧、インフラ保守を主目的とするポジションではありませんGPUクラスタそのものの保守運用、一般的なSRE／DevOps業務は主業務ではありません（運用保守は別チームが担当します）推論基盤そのものの設計・実装（高速化・サービング）は別ポジション「AI推論基盤エンジニア」が担当します（本ポジションは低遅延化の観点で連携します）ASR（音声認識）や対話設計そのものが主務ではありません（必要に応じて連携します）■お任せしたい主な業務 1. TTSモデルの研究開発・改良最新TTSアーキテクチャ（LLMベースTTS・Audio Codec・Flow Matching・Diffusion 等）の学習・改良品質・安定性・遅延の改善（読み間違い・不自然なイントネーション・不安定さの解消）推論チームと連携した本番導入・低遅延化2. 課題特定と音声データ戦略TTSの品質課題の特定と、モデル・データ両面での解決策の立案・実行音声データ戦略の策定（収集・選定・品質基準）と、データチームとの連携音声データの前処理・アライメント・ラベリングパイプラインの整備3. 評価設計品質を測るための評価基準・評価セットの設計主観評価（MOS 等）と客観評価を組み合わせた評価の運用4. プロダクト連携・チームリードPM・案件側との要件すり合わせ、改善ロードマップの策定チームメンバーの育成・技術方針の策定 ※より詳細な業務内容については、カジュアル面談や面接の際にお話しさせていただきます。■このポジションの魅力 1. 「声の良し悪し」を自分の判断で決められる 電話CSでは声の自然さがそのまま顧客体験になります。読み・イントネーション・遅延といった“聞けば分かる”課題を、自分の設計でモデルとデータの両面から解決できます。2. モデル・データ・プロダクトを横断できる 研究に閉じず、データ整備からプロダクト要件への落とし込みまで一貫して担えます。単一モデルの精度ではなく、実際の通話での品質で勝負できるスコープです。3. 音声チームを立ち上げ、リードできる 入社後はまず課題整理と評価基準づくり、その先はTTS・音声データのチームを統括するポジション。0→1で音声品質の仕組みを作れます。■利用サービス・技術スタック一覧言語・実装：Python ／ PyTorchTTS・音声：LLMベースTTS ／ Audio Codec ／ Flow Matching ／ Diffusion ／ Vocoder音声データ：前処理 ／ アライメント ／ ラベリング評価：MOS（主観評価）＋客観評価周辺（歓迎）：ストリーミング推論 ／ 低遅延化 ／ 分散学習■プロダクトの優位性について 人間と区別がつかないレベルの自然な対話を実現する「Recho AI Voice Platform」の開発と、大手企業への「Voice AI Agent」の導入・運用支援を行っています。 最大の強みは、高品質なAI Agentを効率よく構築・改善できるプロダクト基盤にあります。業界の暗黙知を吸収し、ユーザーからのフィードバックデータをもとに、継続改善のサイクルを圧倒的な速度で回せる仕組みです。この技術により、金融・メーカー・行政などの実業務において複雑で大規模なコールセンターのAI化が急速に拡大しており、人間のオペレーターへの引き継ぎゼロ（完結率100%）を達成したプロジェクト実績もあります。■面接・選考プロセス カジュアル面談 ⇒ ケース課題・一次面接 ⇒ トライアル業務委託* ⇒ 最終面接 ⇒ オファー面談 *トライアル業務委託は、1日〜連続2日間オフィスにお越しいただき、実際にオフィスで業務に取り組んでいただく機会です（有償）。メンバーと協働し、カルチャーマッチと業務理解を確認し合う期間です。 ※場合によってリファレンスチェックを依頼させていただくことがございます ※スケジュールや副業規定で業務委託が難しい場合には、ご相談くださいませ■Rechoについて Rechoは、カスタマーサポート領域の効率化を牽引する「AI Agent」の基盤モデル開発から、顧客への実装・プロジェクトデリバリーまでを同一組織内で一気通貫で行うテクノロジー企業です。現在は、フルスクラッチで自社開発した「音声AI」技術を最大の強みとし、業界の長年の課題であった品質とコストのトレードオフを解消するソリューションをエンタープライズ向けに提供しています 。シリーズAで約7億円の資金調達を完了し、SBI新生銀行やKDDIといった大手企業のシビアな本番環境への社会実装を急進させているフェーズです。Rechoについて詳しく知りたい方に向けて、会社やプロダクトに関する公開情報をまとめたページをご用意しました。このページでは、弊社の事業内容やプロダクトの詳細、所属メンバーについてご覧いただけます。■参考情報コーポレートサイトチームメンバーのインタビューnoteCompany deck事例：KDDI、アルティウスリンクと協業導入事例：SBI新生銀行様 ※2分程度の音声デモもぜひお聞きください※