Tom Ouyang — principal engineer в Google DeepMind, где работает над speech-to-speech моделями для Gemini. Ранее он занимался распознаванием рукописных схем в MIT вместе с Randall Davis, затем участвовал в исследованиях клавиатурного ввода для Gboard и в соавторстве с коллегами публиковал работы по федеративному обучению новым словам. В Waymo он работал над восприятием для автономного вождения, в частности над детекцией объектов по данным LiDAR. В докладе вместе с Valeria Wu Fon он рассказывает о переходе от специализированных систем распознавания речи к моделям, которые обучаются совместно на аудио, видео и тексте.

Темы докладов: Голосовые агенты и речь и Мультимодальность и генеративные медиа.

Другое1