Job Description

Looking to push the boundaries of generative AI for real-time interaction?

You'll be joining a well- funded startup working on multimodal AI where voice, vision, and language come together. 

They're building generative models for natural conversational experiences that need to perform in real-time.

There's no limitations with resources here, they have plenty of compute for you to run experiments at scale. You'll be working alongside a well known open-source leader, as well as a very strong speech R&D team from leading companies. 

Your mission

You'll be building and optimising diffusion or flow-matching models that power their speech and audio generation. This means developing production-ready architectures that can generate controllable, high-quality output at scale.

You'll own the full research-to-production pipeline - from architecture design and training through deployment and optimisation. 

Your work will directly impact how millions of AI characters sound and interact.

Your focus

• Design and train large-scale diffusion or flow-matching models

• Develop novel architectures and training techniques to improve controllability and quality

• Build evaluation systems to measure generation quality and model behaviour

• Work from low-level performance optimisations to high-level model design

What you'll bring

• Proven track record building diffusion models or flow-matching systems (this can be applied to other modalities)

• Experience training large models (3B+ parameters) with distributed systems

• Hands-on experience with streaming or distillation of diffusion models

Nice to have

• Experience with audio or speech generation

• Publications or open-source contributions in diffusion models or generative AI

Remote in Europe. Base salary is between €140-200K DOE (with some flex for the right person). Plus generous stock.