Программисты — удалённая работа в Москве

Разработка пайплайна анти-спуфинга речи (ASVspoof2019 LA) на PyTorch + Google Colab. Разработка с нуля, настройка, доработка существующего продукта. Пожелания и особенности: Нужно реализовать end-to-end решение для задачи обнаружения спуфинга голоса на датасете ASVspoof2019 (Logical Access). Работа ведётся в Google Colab с использованием Python и PyTorch. Основные задачи: 1. Парсинг протоколов • Чтение файлов ASVspoof2019.LA.cm.*.trl.txt • Формирование DataFrame с метками genuine/spoof 2. Подготовка датасета и фичей • Загрузка *.flac файлов (train/dev/eval) • Вычисление STFT (Librosa): power-to-dB, фиксированная длина кадров • (Опционально) SpecAugment на этапах обучения 3. Реализация PyTorch Dataset и DataLoader • Динамическое или статическое выравнивание по длине • Балансировка классов (через WeightedRandomSampler) 4. Построение и обучение модели LCNN • Архитектура CNN + MFM‐блоки, classifier → 2 класса • Тренировочный цикл с gradient clipping, LR scheduler • Логирование loss vs batch/epoch и EER в Weights & Biases 5. Вычисление EER • Реализация вызова compute_eer(target_scores, nontarget_scores) • Правильное формирование genuine‐scores (1‐spoof_prob) 6. Финальная оценка (eval) • Инференс на eval‐разделе, сохранение CSV utt_id,score • Запуск скрипта grading.py → grades.csv 7. Документация и представление • Jupyter-ноутбук в Colab с Markdown-описанием каждого шага • Чёткая структура: Step 1→Step 7, комментарии к коду Требования к исполнителю: • Уверенный Python (3.8+) • Опыт PyTorch (Dataset/DataLoader, обучение моделей) • Опыт обработки аудио: Librosa, STFT, нормализация • Знакомство с Weights & Biases (логирование метрик) • Понимание метрик биометрии: EER, ROC • Умение читать/писать Markdown в Jupyter • Желательно: опыт работы с ASVspoof (но не обязательно) Результаты работы и дедлайн: • Полностью рабочий Google Colab notebook • Файлы: xxx.csv (оценки для eval), grades.csv • Ссылка на публичный W&B-run • Дедлайн: 1 день, до 6 августа 23:00.