Fake smiles and the computers that can spot them - 6 Minute English

64,842 views ・ 2019-09-19

BBC Learning English


Haga doble clic en los subtítulos en inglés para reproducir el vídeo. Los subtítulos traducidos se traducen automáticamente.

00:07
Neil: Hello. This is 6 Minute English, I'm Neil.
0
7920
2200
Neil: Hola. Esto es 6 Minute English, soy Neil.
00:10
Sam: And I'm Sam.
1
10120
1460
Sam: Y yo soy Sam.
00:11
Neil: It’s good to see you again, Sam
2
11580
1480
Neil: Es bueno verte de nuevo, Sam
00:13
Sam: Really?
3
13060
600
00:13
Neil: Yes, of course, can’t you tell by the
4
13660
2339
Sam: ¿En serio?
Neil: Sí, por supuesto, ¿no te das cuenta por la
00:15
way I’m smiling?
5
15999
1000
forma en que estoy sonriendo?
00:17
Sam: Ah well, I find it difficult to tell if
6
17000
2620
Sam: Ah, bueno, me resulta difícil saber si
00:19
someone is really smiling or if it’s a fake
7
19620
2380
alguien está sonriendo de verdad o si es una
00:22
smile.
8
22000
900
00:22
Neil: Well, that’s a coincidence because
9
22900
2040
sonrisa falsa.
Neil: Bueno, eso es una coincidencia porque
00:24
this programme is all about how
10
24940
2140
este programa se trata de cómo las
00:27
computers may be able tell real smiles
11
27080
2380
computadoras pueden distinguir las sonrisas reales de las
00:29
from fake smiles better than humans can.
12
29460
3200
sonrisas falsas mejor que los humanos.
00:32
Before we get in to that though, a
13
32660
1314
Sin embargo, antes de entrar en eso, una
00:33
question. The expressions we can
14
33974
2516
pregunta. Las expresiones que podemos
00:36
make with our face are controlled by
15
36490
2258
hacer con nuestra cara están controladas por los
00:38
muscles. How many muscles do we have
16
38748
2303
músculos. ¿Cuántos músculos tenemos
00:41
in our face? Is it:
17
41060
1220
en la cara? ¿Es:
00:42
A: 26, B: 43 or C: 62?
18
42280
4600
A: 26, B: 43 o C: 62?
00:46
What do you think, Sam?
19
46880
1000
¿Qué piensas, Sam?
00:47
Sam: No idea! But a lot, I’d guess, so I’m
20
47880
3680
Samuel: ¡Ni idea! Pero mucho, supongo, así que
00:51
going with 62.
21
51560
1420
voy con 62.
00:52
Neil: OK. Well, we’ll see if you’ll be smiling
22
52980
2240
Neil: OK. Bueno, veremos si sonríes
00:55
or crying later in the programme.
23
55220
2185
o lloras más adelante en el programa.
00:57
Hassan Ugail is a professor of visual
24
57405
2496
Hassan Ugail es profesor de
00:59
computing at the University of Bradford.
25
59901
2399
computación visual en la Universidad de Bradford.
01:02
He’s been working on getting computers
26
62300
1680
Ha estado trabajando para que las
01:03
to be able to recognise human emotions
27
63980
2680
computadoras puedan reconocer las emociones humanas a
01:06
from the expressions on our
28
66660
1500
partir de las expresiones de nuestro
01:08
face. Here he is speaking on the BBC
29
68160
3140
rostro. Aquí está hablando en el programa de
01:11
Inside Science radio programme – how
30
71300
2680
radio BBC Inside Science: ¿cuán
01:13
successful does he say they have been?
31
73980
1870
exitoso dice que han sido?
01:15
Professor Hassan Ugail: We've been
32
75850
1350
Profesor Hassan Ugail: Hemos estado
01:17
working quite a lot on the human
33
77200
1270
trabajando mucho en las
01:18
emotions, so the idea is how the facial
34
78470
2869
emociones humanas, por lo que la idea es cómo el
01:21
muscle movement, which is reflected on
35
81339
2640
movimiento de los músculos faciales, que se refleja en
01:23
the face, through obviously a computer
36
83979
1966
la cara, obviamente a través de una computadora a
01:25
through video frames and trying to
37
85945
1791
través de cuadros de video y tratar de
01:27
understand how these muscle
38
87740
1360
entender cómo estos movimientos musculares en
01:29
movements actually relate to facial
39
89100
1972
realidad se relacionan con las
01:31
expressions and then from facial
40
91072
2126
expresiones faciales y luego a partir de las
01:33
expressions trying to understand the
41
93198
1980
expresiones faciales tratando de comprender las
01:35
emotions or to infer the emotions. And
42
95178
2121
emociones o inferir las emociones.
01:37
they have been quite successful
43
97299
1730
Y han tenido bastante éxito
01:39
in doing that. We have software that can
44
99029
2471
al hacerlo. Tenemos un software que
01:41
actually look at somebody's face in real
45
101500
2700
puede mirar la cara de alguien en
01:44
time and then identify the series of
46
104200
2820
tiempo real y luego identificar la serie de
01:47
emotions that person
47
107023
1337
emociones que esa persona
01:48
is expressing in real time as well.
48
108367
2352
está expresando también en tiempo real.
01:50
Neil: So, have they been successful in
49
110719
2136
Neil: Entonces, ¿han tenido éxito en
01:52
getting computers to identify emotions?
50
112855
2444
hacer que las computadoras identifiquen las emociones?
01:55
Sam: Yes, he says they’ve been quite
51
115299
2636
Sam: Sí, dice que han tenido bastante
01:57
successful, and what’s interesting is that
52
117935
2856
éxito, y lo interesante es
02:00
he says that the computers can do it in
53
120800
2380
que dice que las computadoras pueden hacerlo en
02:03
'real time'. This means that there’s no
54
123180
2480
"tiempo real". Esto significa que no hay
02:05
delay. They don’t have to stop and analyse
55
125660
2740
demora. No tienen que detenerse y analizar
02:08
the data, or crunch the numbers, they can
56
128400
2780
los datos, o procesar los números, pueden
02:11
do it as the person is talking.
57
131180
2320
hacerlo mientras la persona habla.
02:13
Neil: The system uses video to analyse a
58
133500
2640
Neil: El sistema usa video para analizar
02:16
person’s expressions and can then infer
59
136140
2352
las expresiones de una persona y luego puede inferir
02:18
the emotions.
60
138492
797
las emociones.
02:19
'To infer something' means to get an
61
139289
2128
'Inferir algo' significa obtener una
02:21
understanding of something without
62
141417
1960
comprensión de algo
02:23
actually being told directly.
63
143377
1696
sin que se lo digan directamente.
02:25
So, you look at available information and
64
145073
2397
Entonces, observa la información disponible y
02:27
use your understanding and knowledge to
65
147470
1911
usa su comprensión y conocimiento
02:29
work out the meaning.
66
149381
1029
para descubrir el significado.
02:30
Sam: It’s a bit like being a detective, isn’t
67
150410
2840
Sam: Es un poco como ser un detective, ¿
02:33
it? You look at the clues and infer what
68
153250
2330
no? Miras las pistas e infieres lo que
02:35
happened even if you don’t have all the
69
155580
2160
sucedió, incluso si no tienes todos los
02:37
details.
70
157740
660
detalles.
02:38
Neil: Yes, and in this case the computer
71
158400
1980
Neil: Sí, y en este caso la computadora
02:40
looks at how the movement of muscles in
72
160380
2520
observa cómo el movimiento de los músculos de
02:42
the face or 'facial muscles', show different
73
162900
2180
la cara o 'músculos faciales' muestra diferentes
02:45
emotions. Here’s Professor Ugail again.
74
165080
2600
emociones. Aquí está el profesor Ugail de nuevo.
02:47
Professor Hassan Ugail: We've been
75
167680
1262
Profesor Hassan Ugail: Hemos estado
02:48
working quite a lot on the human
76
168942
1187
trabajando mucho en las emociones humanas,
02:50
emotions so the idea is how the facial
77
170129
2842
por lo que la idea es cómo el
02:52
muscle movement, which is reflected on
78
172971
2640
movimiento de los músculos faciales, que se refleja en
02:55
the face, through obviously a computer
79
175611
1985
la cara, obviamente a través de una computadora a
02:57
through video frames and trying to
80
177596
1810
través de cuadros de video y tratar de
02:59
understand how these
81
179406
1064
comprender cómo se
03:00
muscle movements actually relate to
82
180470
2092
relacionan realmente estos movimientos musculares. a
03:02
facial expressions and then from facial
83
182562
2377
las expresiones faciales y luego a partir de las
03:04
expressions trying to understand the
84
184939
1960
expresiones faciales tratando de comprender las
03:06
emotions or to infer the emotions. And
85
186899
2098
emociones o inferir las emociones.
03:08
they have been quite successful
86
188997
1712
Y han tenido bastante éxito
03:10
in doing that. We have software that can
87
190709
2703
al hacerlo. Tenemos un software que
03:13
actually look at somebody's face in real
88
193420
2360
puede mirar la cara de alguien en
03:15
time and then identify the series of
89
195780
2774
tiempo real y luego identificar la serie de
03:18
emotions that person is expressing in real
90
198554
2837
emociones que esa persona está expresando también en
03:21
time as well.
91
201391
878
tiempo real.
03:22
Neil: So, how do the computers know
92
202269
2443
Neil: Entonces, ¿cómo saben las computadoras
03:24
what is a real or a fake smile? The
93
204712
2552
qué es una sonrisa real o falsa? Las
03:27
computers have to learn
94
207264
1703
computadoras tienen que aprender
03:28
that first. Here’s Professor Ugail again
95
208967
2963
eso primero. Aquí está el profesor Ugail nuevamente
03:31
talking about how they do that.
96
211930
2070
hablando sobre cómo lo hacen.
03:34
Professor Hassan Ugail: We have a data
97
214000
1280
Profesor Hassan Ugail: Tenemos un
03:35
set of real smiles and we have
98
215293
1297
conjunto de datos de sonrisas reales y tenemos
03:36
a data set of fake smiles. These real
99
216590
2029
un conjunto de datos de sonrisas falsas. Estas
03:38
smiles are induced smiles in a lab. So,
100
218619
2177
sonrisas reales son sonrisas inducidas en un laboratorio. Entonces,
03:40
you put somebody on a chair and then
101
220796
2486
pones a alguien en una silla y luego
03:43
show some funny movies
102
223282
1542
muestras algunas películas divertidas
03:44
and we expect the smiles are genuine
103
224824
2400
y esperamos que las sonrisas sean
03:47
smiles.
104
227224
685
03:47
And similarly we ask them to pretend to
105
227909
2012
sonrisas genuinas.
Y del mismo modo les pedimos que finjan
03:49
smile. So, these are what you'd call fake
106
229921
2019
sonreír. Entonces, estas son lo que llamarías
03:51
smiles.
107
231940
680
sonrisas falsas.
03:52
So, what we do is we throw these into the
108
232620
2440
Entonces, lo que hacemos es arrojarlos a la
03:55
machine and then the machine figures
109
235060
1860
máquina y luego la máquina
03:56
out what are the characteristics of a real
110
236920
2160
descubre cuáles son las características de una
03:59
smile and what are the characteristics of
111
239080
2300
sonrisa real y cuáles son las características de
04:01
a fake smile.
112
241387
1093
una sonrisa falsa.
04:02
Neil: So, how do they get the data that the
113
242480
2840
Neil: Entonces, ¿cómo obtienen los datos que
04:05
computers use to see if your smile is fake
114
245320
2260
usan las computadoras para ver si tu sonrisa es falsa
04:07
or 'genuine' – which is another word which
115
247580
2271
o 'genuina', que es otra palabra que
04:09
means real?
116
249851
1108
significa real?
04:10
Sam: They induce real smiles in the lab by
117
250959
2720
Sam: Inducen verdaderas sonrisas en el laboratorio al
04:13
showing people funny films. This means
118
253680
3360
mostrarle a la gente películas divertidas. Esto significa
04:17
that they make the smiles come naturally.
119
257040
2519
que hacen que las sonrisas surjan de forma natural.
04:19
They assume that the smiles while
120
259560
1700
Asumen que las sonrisas mientras
04:21
watching the funny films are genuine.
121
261260
2600
ven las películas divertidas son genuinas.
04:23
Neil: And then they ask the people to
122
263860
1400
Neil: Y luego le piden a la gente que
04:25
pretend to smile and the computer
123
265267
1954
pretenda sonreír y el
04:27
programme now has a database of real
124
267221
2165
programa de computadora ahora tiene una base de datos de
04:29
and fake smiles and is able
125
269386
1624
sonrisas reales y falsas y
04:31
to figure out which is which.
126
271010
1790
puede averiguar cuál es cuál.
04:32
Sam: 'Figure out' means to calculate and
127
272800
2500
Sam: 'Averiguar' significa calcular y
04:35
come to an answer
128
275300
1360
llegar a una respuesta
04:36
Neil: Yes, and apparently the system gets
129
276660
1260
Neil: Sí, y aparentemente el sistema
04:37
it right 90% of the time, which is much
130
277920
2840
acierta el 90% de las veces, que es mucho
04:40
higher than we humans can. Right, well
131
280760
2640
más de lo que podemos los humanos. Bien, mucho
04:43
before we remind ourselves of our
132
283400
1780
antes de recordar nuestro
04:45
vocabulary, let’s get the answer to the
133
285220
1936
vocabulario, obtengamos la respuesta a la
04:47
question. How many muscles do
134
287156
2184
pregunta. ¿Cuántos músculos
04:49
we have in our face? Is it:
135
289340
1920
tenemos en la cara? Es:
04:51
A: 26, B: 43 or C: 62.
136
291260
3720
A: 26, B: 43 o C: 62.
04:54
Sam, are you going to be smiling?
137
294980
1339
Sam, ¿vas a estar sonriendo?
04:56
What did you say?
138
296319
1411
¿Qué dijiste?
04:57
Sam: So I thought 62! Am I smiling, Neil?
139
297730
2870
Sam: ¡Así que pensé 62! ¿Estoy sonriendo, Neil?
05:00
Neil: Sadly you are not, you are using
140
300600
2440
Neil: ¡Lamentablemente no lo eres, estás usando
05:03
different muscles for that sort of sad
141
303040
2560
diferentes músculos para ese tipo de
05:05
look! Actually the answer is 43.
142
305600
3380
mirada triste! En realidad, la respuesta es 43.
05:08
Congratulations to anyone
143
308980
1580
Felicitaciones a cualquiera
05:10
who got that right. Now our vocabulary.
144
310570
2070
que haya acertado. Ahora nuestro vocabulario.
05:12
Sam: Yes – 'facial' is the adjective relating
145
312640
3280
Sam: Sí, 'facial' es el adjetivo relacionado
05:15
to face.
146
315920
1320
con la cara.
05:17
Neil: Then we had 'infer'. This verb means
147
317240
2460
Neil: Luego tuvimos 'inferir'. Este verbo
05:19
to understand something even when you
148
319700
1900
significa entender algo incluso cuando
05:21
don’t have all the information, and you
149
321600
2034
no tienes toda la información, y
05:23
come to this understanding
150
323634
1356
llegas a este entendimiento
05:24
based on your experience and knowledge,
151
324990
1854
basado en tu experiencia y conocimiento,
05:26
or in the case of a computer, the
152
326844
2116
o en el caso de una computadora, la
05:28
programming.
153
328960
980
programación.
05:29
Sam: And these computers work in 'real
154
329940
2020
Sam: Y estas computadoras funcionan en '
05:31
time', which means that there’s no delay
155
331967
2705
tiempo real', lo que significa que no hay demora
05:34
and they can tell a fake smile from a
156
334680
2260
y pueden distinguir una sonrisa falsa de una
05:36
'genuine' one, which means a real one, as
157
336940
2080
'genuina', lo que significa que es real, mientras
05:39
the person is speaking.
158
339020
1570
la persona está hablando.
05:40
Neil: They made people smile, or as the
159
340590
2150
Neil: Hicieron sonreír a la gente, o como
05:42
Professor said, they 'induced' smiles by
160
342740
2260
dijo el profesor, 'indujeron' sonrisas
05:45
showing funny films.
161
345000
1540
mostrando películas divertidas.
05:46
Sam: And the computer is able to 'figure
162
346540
1780
Sam: Y la computadora es capaz de '
05:48
out', or calculate, whether the smile is fake
163
348320
3740
descubrir', o calcular, si la sonrisa es falsa
05:52
or genuine.
164
352060
820
05:52
Neil: OK, thank you, Sam. That’s all from
165
352880
1440
o genuina.
Neil: Bien, gracias, Sam. Eso es todo de
05:54
6 Minute English today. We look forward
166
354320
2200
6 Minute English hoy.
05:56
to your company next time and if you
167
356520
1640
Esperamos su compañía la próxima vez y, si
05:58
can’t wait you can find lots more from
168
358160
1880
no puede esperar, puede encontrar mucho más de
06:00
bbclearningenglish online,
169
360040
1740
bbclearningenglish en línea,
06:01
on social media and on our app. Goodbye!
170
361780
2400
en las redes sociales y en nuestra aplicación. ¡Adiós!
06:04
Sam: Bye!
171
364600
1100
Sam: ¡Adiós!
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7