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

64,842 views ・ 2019-09-19

BBC Learning English


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo. Les sous-titres traduits sont traduits automatiquement.

00:07
Neil: Hello. This is 6 Minute English, I'm Neil.
0
7920
2200
Neil : Bonjour. C'est 6 minutes d'anglais, je suis Neil.
00:10
Sam: And I'm Sam.
1
10120
1460
Sam : Et je suis Sam.
00:11
Neil: It’s good to see you again, Sam
2
11580
1480
Neil : C'est bon de te revoir, Sam
00:13
Sam: Really?
3
13060
600
00:13
Neil: Yes, of course, can’t you tell by the
4
13660
2339
Sam : Vraiment ?
Neil : Oui, bien sûr, vous ne pouvez pas le dire à la
00:15
way I’m smiling?
5
15999
1000
façon dont je souris ?
00:17
Sam: Ah well, I find it difficult to tell if
6
17000
2620
Sam : Eh bien, j'ai du mal à dire si
00:19
someone is really smiling or if it’s a fake
7
19620
2380
quelqu'un sourit vraiment ou si c'est un faux
00:22
smile.
8
22000
900
00:22
Neil: Well, that’s a coincidence because
9
22900
2040
sourire.
Neil : Eh bien, c'est une coïncidence parce que
00:24
this programme is all about how
10
24940
2140
ce programme traite de la façon dont les
00:27
computers may be able tell real smiles
11
27080
2380
ordinateurs peuvent être capables de distinguer les vrais sourires
00:29
from fake smiles better than humans can.
12
29460
3200
des faux sourires mieux que les humains.
00:32
Before we get in to that though, a
13
32660
1314
Avant d'en arriver là, une
00:33
question. The expressions we can
14
33974
2516
question. Les expressions que nous pouvons
00:36
make with our face are controlled by
15
36490
2258
faire avec notre visage sont contrôlées par les
00:38
muscles. How many muscles do we have
16
38748
2303
muscles. Combien de muscles avons-nous
00:41
in our face? Is it:
17
41060
1220
dans notre visage ? Est-ce :
00:42
A: 26, B: 43 or C: 62?
18
42280
4600
A : 26, B : 43 ou C : 62 ?
00:46
What do you think, Sam?
19
46880
1000
Qu'en penses-tu Sam ?
00:47
Sam: No idea! But a lot, I’d guess, so I’m
20
47880
3680
Sam : Aucune idée ! Mais beaucoup, je suppose, donc je
00:51
going with 62.
21
51560
1420
pars avec 62.
00:52
Neil: OK. Well, we’ll see if you’ll be smiling
22
52980
2240
Neil : OK. Eh bien, nous verrons si vous sourirez
00:55
or crying later in the programme.
23
55220
2185
ou pleurerez plus tard dans le programme.
00:57
Hassan Ugail is a professor of visual
24
57405
2496
Hassan Ugail est professeur d'
00:59
computing at the University of Bradford.
25
59901
2399
informatique visuelle à l'Université de Bradford.
01:02
He’s been working on getting computers
26
62300
1680
Il travaille à rendre les
01:03
to be able to recognise human emotions
27
63980
2680
ordinateurs capables de reconnaître les émotions humaines à
01:06
from the expressions on our
28
66660
1500
partir des expressions de notre
01:08
face. Here he is speaking on the BBC
29
68160
3140
visage. Ici, il s'exprime dans l'émission de
01:11
Inside Science radio programme – how
30
71300
2680
radio BBC Inside Science - quel
01:13
successful does he say they have been?
31
73980
1870
succès dit-il qu'ils ont eu ?
01:15
Professor Hassan Ugail: We've been
32
75850
1350
Professeur Hassan Ugail : Nous avons
01:17
working quite a lot on the human
33
77200
1270
beaucoup travaillé sur les
01:18
emotions, so the idea is how the facial
34
78470
2869
émotions humaines, donc l'idée est de savoir comment le
01:21
muscle movement, which is reflected on
35
81339
2640
mouvement des muscles faciaux, qui se reflète sur
01:23
the face, through obviously a computer
36
83979
1966
le visage, à travers évidemment un ordinateur à
01:25
through video frames and trying to
37
85945
1791
travers des images vidéo et en essayant de
01:27
understand how these muscle
38
87740
1360
comprendre comment ces
01:29
movements actually relate to facial
39
89100
1972
mouvements musculaires se rapportent aux
01:31
expressions and then from facial
40
91072
2126
expressions faciales, puis aux
01:33
expressions trying to understand the
41
93198
1980
expressions faciales essayant de comprendre les
01:35
emotions or to infer the emotions. And
42
95178
2121
émotions ou de déduire les émotions. Et
01:37
they have been quite successful
43
97299
1730
ils ont assez bien réussi
01:39
in doing that. We have software that can
44
99029
2471
à le faire. Nous avons un logiciel qui peut
01:41
actually look at somebody's face in real
45
101500
2700
réellement regarder le visage de quelqu'un en
01:44
time and then identify the series of
46
104200
2820
temps réel et ensuite identifier la série d'
01:47
emotions that person
47
107023
1337
émotions que cette
01:48
is expressing in real time as well.
48
108367
2352
personne exprime également en temps réel.
01:50
Neil: So, have they been successful in
49
110719
2136
Neil : Alors, ont-ils réussi à
01:52
getting computers to identify emotions?
50
112855
2444
faire en sorte que les ordinateurs identifient les émotions ?
01:55
Sam: Yes, he says they’ve been quite
51
115299
2636
Sam : Oui, il dit qu'ils ont eu beaucoup de
01:57
successful, and what’s interesting is that
52
117935
2856
succès, et ce qui est intéressant, c'est
02:00
he says that the computers can do it in
53
120800
2380
qu'il dit que les ordinateurs peuvent le faire en
02:03
'real time'. This means that there’s no
54
123180
2480
« temps réel ». Cela signifie qu'il n'y a pas de
02:05
delay. They don’t have to stop and analyse
55
125660
2740
retard. Ils n'ont pas à s'arrêter et à analyser
02:08
the data, or crunch the numbers, they can
56
128400
2780
les données, ou à calculer les chiffres, ils peuvent le
02:11
do it as the person is talking.
57
131180
2320
faire pendant que la personne parle.
02:13
Neil: The system uses video to analyse a
58
133500
2640
Neil : Le système utilise la vidéo pour analyser
02:16
person’s expressions and can then infer
59
136140
2352
les expressions d'une personne et peut ensuite en déduire
02:18
the emotions.
60
138492
797
les émotions.
02:19
'To infer something' means to get an
61
139289
2128
« Déduire quelque chose » signifie obtenir une
02:21
understanding of something without
62
141417
1960
compréhension de quelque chose
02:23
actually being told directly.
63
143377
1696
sans qu'on le lui dise directement.
02:25
So, you look at available information and
64
145073
2397
Ainsi, vous examinez les informations disponibles et
02:27
use your understanding and knowledge to
65
147470
1911
utilisez votre compréhension et vos connaissances pour en
02:29
work out the meaning.
66
149381
1029
déterminer le sens.
02:30
Sam: It’s a bit like being a detective, isn’t
67
150410
2840
Sam : C'est un peu comme être détective, n'est-ce
02:33
it? You look at the clues and infer what
68
153250
2330
pas ? Vous regardez les indices et déduisez ce qui
02:35
happened even if you don’t have all the
69
155580
2160
s'est passé même si vous n'avez pas tous les
02:37
details.
70
157740
660
détails.
02:38
Neil: Yes, and in this case the computer
71
158400
1980
Neil : Oui, et dans ce cas, l'ordinateur
02:40
looks at how the movement of muscles in
72
160380
2520
examine comment le mouvement des muscles
02:42
the face or 'facial muscles', show different
73
162900
2180
du visage ou des « muscles faciaux » montre différentes
02:45
emotions. Here’s Professor Ugail again.
74
165080
2600
émotions. Revoilà le professeur Ugail.
02:47
Professor Hassan Ugail: We've been
75
167680
1262
Professeur Hassan Ugail : Nous avons
02:48
working quite a lot on the human
76
168942
1187
beaucoup travaillé sur les émotions humaines,
02:50
emotions so the idea is how the facial
77
170129
2842
donc l'idée est de savoir comment le
02:52
muscle movement, which is reflected on
78
172971
2640
mouvement des muscles faciaux, qui se reflète sur
02:55
the face, through obviously a computer
79
175611
1985
le visage, à travers évidemment un ordinateur à
02:57
through video frames and trying to
80
177596
1810
travers des images vidéo et en essayant de
02:59
understand how these
81
179406
1064
comprendre comment ces
03:00
muscle movements actually relate to
82
180470
2092
mouvements musculaires se rapportent réellement aux
03:02
facial expressions and then from facial
83
182562
2377
expressions faciales, puis des
03:04
expressions trying to understand the
84
184939
1960
expressions faciales essayant de comprendre les
03:06
emotions or to infer the emotions. And
85
186899
2098
émotions ou de déduire les émotions. Et
03:08
they have been quite successful
86
188997
1712
ils ont assez bien réussi
03:10
in doing that. We have software that can
87
190709
2703
à le faire. Nous avons un logiciel qui peut
03:13
actually look at somebody's face in real
88
193420
2360
réellement regarder le visage de quelqu'un en
03:15
time and then identify the series of
89
195780
2774
temps réel et ensuite identifier la série d'
03:18
emotions that person is expressing in real
90
198554
2837
émotions que cette personne exprime également en
03:21
time as well.
91
201391
878
temps réel.
03:22
Neil: So, how do the computers know
92
202269
2443
Neil : Alors, comment les ordinateurs savent-ils
03:24
what is a real or a fake smile? The
93
204712
2552
ce qu'est un vrai ou un faux sourire ? Les
03:27
computers have to learn
94
207264
1703
ordinateurs doivent d'abord apprendre
03:28
that first. Here’s Professor Ugail again
95
208967
2963
cela. Voici le professeur Ugail qui
03:31
talking about how they do that.
96
211930
2070
parle à nouveau de la façon dont ils font cela.
03:34
Professor Hassan Ugail: We have a data
97
214000
1280
Professeur Hassan Ugail : Nous avons un
03:35
set of real smiles and we have
98
215293
1297
ensemble de données de vrais sourires et nous avons
03:36
a data set of fake smiles. These real
99
216590
2029
un ensemble de données de faux sourires. Ces vrais
03:38
smiles are induced smiles in a lab. So,
100
218619
2177
sourires sont des sourires induits dans un laboratoire. Donc,
03:40
you put somebody on a chair and then
101
220796
2486
vous mettez quelqu'un sur une chaise, puis vous
03:43
show some funny movies
102
223282
1542
montrez des films amusants
03:44
and we expect the smiles are genuine
103
224824
2400
et nous nous attendons à ce que les sourires soient de vrais
03:47
smiles.
104
227224
685
03:47
And similarly we ask them to pretend to
105
227909
2012
sourires.
Et de même, nous leur demandons de faire semblant de
03:49
smile. So, these are what you'd call fake
106
229921
2019
sourire. Donc, ce sont ce que vous appelleriez de faux
03:51
smiles.
107
231940
680
sourires.
03:52
So, what we do is we throw these into the
108
232620
2440
Donc, ce que nous faisons, c'est que nous les jetons dans la
03:55
machine and then the machine figures
109
235060
1860
machine, puis la machine
03:56
out what are the characteristics of a real
110
236920
2160
détermine quelles sont les caractéristiques d'un vrai
03:59
smile and what are the characteristics of
111
239080
2300
sourire et quelles sont les caractéristiques d'
04:01
a fake smile.
112
241387
1093
un faux sourire.
04:02
Neil: So, how do they get the data that the
113
242480
2840
Neil : Alors, comment obtiennent-ils les données que les
04:05
computers use to see if your smile is fake
114
245320
2260
ordinateurs utilisent pour voir si votre sourire est faux
04:07
or 'genuine' – which is another word which
115
247580
2271
ou « authentique » – qui est un autre mot qui
04:09
means real?
116
249851
1108
signifie réel ?
04:10
Sam: They induce real smiles in the lab by
117
250959
2720
Sam : Ils provoquent de vrais sourires dans le labo en
04:13
showing people funny films. This means
118
253680
3360
montrant aux gens des films drôles. Cela
04:17
that they make the smiles come naturally.
119
257040
2519
signifie qu'ils font que les sourires viennent naturellement.
04:19
They assume that the smiles while
120
259560
1700
Ils supposent que les sourires en
04:21
watching the funny films are genuine.
121
261260
2600
regardant les films drôles sont authentiques.
04:23
Neil: And then they ask the people to
122
263860
1400
Neil : Et puis ils demandent aux gens de
04:25
pretend to smile and the computer
123
265267
1954
faire semblant de sourire et le
04:27
programme now has a database of real
124
267221
2165
programme informatique a maintenant une base de données de vrais
04:29
and fake smiles and is able
125
269386
1624
et de faux sourires et est capable
04:31
to figure out which is which.
126
271010
1790
de déterminer lequel est lequel.
04:32
Sam: 'Figure out' means to calculate and
127
272800
2500
Sam : « Comprendre » signifie calculer et
04:35
come to an answer
128
275300
1360
trouver une réponse.
04:36
Neil: Yes, and apparently the system gets
129
276660
1260
Neil : Oui, et apparemment, le système
04:37
it right 90% of the time, which is much
130
277920
2840
réussit 90 % du temps, ce qui est beaucoup
04:40
higher than we humans can. Right, well
131
280760
2640
plus élevé que ce que nous, les humains, pouvons faire. Bon, bien
04:43
before we remind ourselves of our
132
283400
1780
avant de nous rappeler notre
04:45
vocabulary, let’s get the answer to the
133
285220
1936
vocabulaire, obtenons la réponse à la
04:47
question. How many muscles do
134
287156
2184
question. Combien de muscles avons-
04:49
we have in our face? Is it:
135
289340
1920
nous dans notre visage ? Est-ce :
04:51
A: 26, B: 43 or C: 62.
136
291260
3720
A : 26, B : 43 ou C : 62.
04:54
Sam, are you going to be smiling?
137
294980
1339
Sam, vas-tu sourire ?
04:56
What did you say?
138
296319
1411
Qu'est-ce que vous avez dit?
04:57
Sam: So I thought 62! Am I smiling, Neil?
139
297730
2870
Sam : Alors j'ai pensé 62 ! Est-ce que je souris, Neil ?
05:00
Neil: Sadly you are not, you are using
140
300600
2440
Neil : Malheureusement, ce n'est pas le cas, vous utilisez
05:03
different muscles for that sort of sad
141
303040
2560
différents muscles pour ce genre de
05:05
look! Actually the answer is 43.
142
305600
3380
regard triste ! En fait, la réponse est 43.
05:08
Congratulations to anyone
143
308980
1580
Félicitations à tous ceux
05:10
who got that right. Now our vocabulary.
144
310570
2070
qui ont bien compris. Maintenant notre vocabulaire.
05:12
Sam: Yes – 'facial' is the adjective relating
145
312640
3280
Sam : Oui – 'facial' est l'adjectif relatif
05:15
to face.
146
315920
1320
au visage.
05:17
Neil: Then we had 'infer'. This verb means
147
317240
2460
Neil : Ensuite, nous avons eu "déduire". Ce verbe
05:19
to understand something even when you
148
319700
1900
signifie comprendre quelque chose même lorsque vous
05:21
don’t have all the information, and you
149
321600
2034
n'avez pas toutes les informations, et vous
05:23
come to this understanding
150
323634
1356
arrivez à cette compréhension en
05:24
based on your experience and knowledge,
151
324990
1854
fonction de votre expérience et de vos connaissances,
05:26
or in the case of a computer, the
152
326844
2116
ou dans le cas d'un ordinateur, de la
05:28
programming.
153
328960
980
programmation.
05:29
Sam: And these computers work in 'real
154
329940
2020
Sam : Et ces ordinateurs fonctionnent en «
05:31
time', which means that there’s no delay
155
331967
2705
temps réel », ce qui signifie qu'il n'y a pas de délai
05:34
and they can tell a fake smile from a
156
334680
2260
et qu'ils peuvent distinguer un faux sourire d'un
05:36
'genuine' one, which means a real one, as
157
336940
2080
« authentique », c'est-à-dire un vrai, lorsque
05:39
the person is speaking.
158
339020
1570
la personne parle.
05:40
Neil: They made people smile, or as the
159
340590
2150
Neil : Ils ont fait sourire les gens ou, comme l'a dit le
05:42
Professor said, they 'induced' smiles by
160
342740
2260
professeur, ils ont "provoqué" des sourires en
05:45
showing funny films.
161
345000
1540
montrant des films amusants.
05:46
Sam: And the computer is able to 'figure
162
346540
1780
Sam : Et l'ordinateur est capable de «
05:48
out', or calculate, whether the smile is fake
163
348320
3740
comprendre », ou de calculer, si le sourire est faux
05:52
or genuine.
164
352060
820
05:52
Neil: OK, thank you, Sam. That’s all from
165
352880
1440
ou authentique.
Neil : OK, merci, Sam. C'est tout de
05:54
6 Minute English today. We look forward
166
354320
2200
6 Minute English aujourd'hui. Nous attendons avec
05:56
to your company next time and if you
167
356520
1640
impatience votre entreprise la prochaine fois et si vous
05:58
can’t wait you can find lots more from
168
358160
1880
ne pouvez pas attendre, vous pouvez trouver beaucoup plus de
06:00
bbclearningenglish online,
169
360040
1740
bbclearningenglish en ligne,
06:01
on social media and on our app. Goodbye!
170
361780
2400
sur les réseaux sociaux et sur notre application. Au revoir!
06:04
Sam: Bye!
171
364600
1100
Sam : Au revoir !
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7