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

64,366 views ・ 2019-09-19

BBC Learning English


Por favor, faça duplo clique nas legendas em inglês abaixo para reproduzir o vídeo. As legendas traduzidas são traduzidas automaticamente.

00:07
Neil: Hello. This is 6 Minute English, I'm Neil.
0
7920
2200
Neil: Olá. Este é o inglês de 6 minutos, sou Neil.
00:10
Sam: And I'm Sam.
1
10120
1460
Sam: E eu sou o Sam.
00:11
Neil: It’s good to see you again, Sam
2
11580
1480
Neil: É bom ver você de novo, Sam
00:13
Sam: Really?
3
13060
600
00:13
Neil: Yes, of course, can’t you tell by the
4
13660
2339
Sam: Sério?
Neil: Sim, claro, você não pode dizer pelo
00:15
way I’m smiling?
5
15999
1000
jeito que estou sorrindo?
00:17
Sam: Ah well, I find it difficult to tell if
6
17000
2620
Sam: Bem, acho difícil dizer se
00:19
someone is really smiling or if it’s a fake
7
19620
2380
alguém está realmente sorrindo ou se é um
00:22
smile.
8
22000
900
00:22
Neil: Well, that’s a coincidence because
9
22900
2040
sorriso falso.
Neil: Bem, isso é uma coincidência porque
00:24
this programme is all about how
10
24940
2140
este programa é sobre como os
00:27
computers may be able tell real smiles
11
27080
2380
computadores podem ser capazes de distinguir sorrisos reais
00:29
from fake smiles better than humans can.
12
29460
3200
de sorrisos falsos melhor do que os humanos.
00:32
Before we get in to that though, a
13
32660
1314
Antes de entrarmos nisso, porém, uma
00:33
question. The expressions we can
14
33974
2516
pergunta. As expressões que podemos
00:36
make with our face are controlled by
15
36490
2258
fazer com o rosto são controladas pelos
00:38
muscles. How many muscles do we have
16
38748
2303
músculos. Quantos músculos temos
00:41
in our face? Is it:
17
41060
1220
em nosso rosto? É:
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
O que você acha Sam?
00:47
Sam: No idea! But a lot, I’d guess, so I’m
20
47880
3680
Sam: Não faço ideia! Mas muito, eu acho, então
00:51
going with 62.
21
51560
1420
vou com 62.
00:52
Neil: OK. Well, we’ll see if you’ll be smiling
22
52980
2240
Neil: OK. Bem, veremos se você estará sorrindo
00:55
or crying later in the programme.
23
55220
2185
ou chorando mais tarde no programa.
00:57
Hassan Ugail is a professor of visual
24
57405
2496
Hassan Ugail é professor de
00:59
computing at the University of Bradford.
25
59901
2399
computação visual na Universidade de Bradford.
01:02
He’s been working on getting computers
26
62300
1680
Ele tem trabalhado para fazer com que os computadores
01:03
to be able to recognise human emotions
27
63980
2680
sejam capazes de reconhecer as emoções humanas
01:06
from the expressions on our
28
66660
1500
pelas expressões em nosso
01:08
face. Here he is speaking on the BBC
29
68160
3140
rosto. Aqui ele está falando no
01:11
Inside Science radio programme – how
30
71300
2680
programa de rádio BBC Inside Science – quão
01:13
successful does he say they have been?
31
73980
1870
bem-sucedido ele diz que eles têm sido?
01:15
Professor Hassan Ugail: We've been
32
75850
1350
Professor Hassan Ugail: Temos
01:17
working quite a lot on the human
33
77200
1270
trabalhado muito com as
01:18
emotions, so the idea is how the facial
34
78470
2869
emoções humanas, então a ideia é como o
01:21
muscle movement, which is reflected on
35
81339
2640
movimento dos músculos faciais, que se reflete no
01:23
the face, through obviously a computer
36
83979
1966
rosto, obviamente através de um computador
01:25
through video frames and trying to
37
85945
1791
através de quadros de vídeo e tentando
01:27
understand how these muscle
38
87740
1360
entender como esses
01:29
movements actually relate to facial
39
89100
1972
movimentos musculares realmente relacionam-se com as
01:31
expressions and then from facial
40
91072
2126
expressões faciais e depois com as
01:33
expressions trying to understand the
41
93198
1980
expressões faciais tentando compreender as
01:35
emotions or to infer the emotions. And
42
95178
2121
emoções ou inferir as emoções. E
01:37
they have been quite successful
43
97299
1730
eles têm sido muito bem sucedidos
01:39
in doing that. We have software that can
44
99029
2471
em fazer isso. Temos um software que pode
01:41
actually look at somebody's face in real
45
101500
2700
realmente olhar para o rosto de alguém em
01:44
time and then identify the series of
46
104200
2820
tempo real e, em seguida, identificar a série de
01:47
emotions that person
47
107023
1337
emoções que essa pessoa
01:48
is expressing in real time as well.
48
108367
2352
está expressando também em tempo real.
01:50
Neil: So, have they been successful in
49
110719
2136
Neil: Então, eles conseguiram fazer com que os
01:52
getting computers to identify emotions?
50
112855
2444
computadores identificassem emoções?
01:55
Sam: Yes, he says they’ve been quite
51
115299
2636
Sam: Sim, ele diz que eles tiveram bastante
01:57
successful, and what’s interesting is that
52
117935
2856
sucesso, e o interessante é que
02:00
he says that the computers can do it in
53
120800
2380
ele diz que os computadores podem fazer isso em
02:03
'real time'. This means that there’s no
54
123180
2480
'tempo real'. Isso significa que não há
02:05
delay. They don’t have to stop and analyse
55
125660
2740
atraso. Eles não precisam parar e analisar
02:08
the data, or crunch the numbers, they can
56
128400
2780
os dados ou analisar os números, eles podem
02:11
do it as the person is talking.
57
131180
2320
fazer isso enquanto a pessoa está falando.
02:13
Neil: The system uses video to analyse a
58
133500
2640
Neil: O sistema usa vídeo para analisar as
02:16
person’s expressions and can then infer
59
136140
2352
expressões de uma pessoa e pode inferir
02:18
the emotions.
60
138492
797
as emoções.
02:19
'To infer something' means to get an
61
139289
2128
'Inferir algo' significa obter uma
02:21
understanding of something without
62
141417
1960
compreensão de algo sem
02:23
actually being told directly.
63
143377
1696
realmente ser dito diretamente.
02:25
So, you look at available information and
64
145073
2397
Então, você olha para as informações disponíveis e
02:27
use your understanding and knowledge to
65
147470
1911
usa sua compreensão e conhecimento para
02:29
work out the meaning.
66
149381
1029
descobrir o significado.
02:30
Sam: It’s a bit like being a detective, isn’t
67
150410
2840
Sam: É um pouco como ser um detetive, não é
02:33
it? You look at the clues and infer what
68
153250
2330
? Você olha as pistas e infere o que
02:35
happened even if you don’t have all the
69
155580
2160
aconteceu mesmo que não tenha todos os
02:37
details.
70
157740
660
detalhes.
02:38
Neil: Yes, and in this case the computer
71
158400
1980
Neil: Sim, e neste caso o computador
02:40
looks at how the movement of muscles in
72
160380
2520
observa como o movimento dos músculos
02:42
the face or 'facial muscles', show different
73
162900
2180
da face ou 'músculos faciais' mostra diferentes
02:45
emotions. Here’s Professor Ugail again.
74
165080
2600
emoções. Aqui está o professor Ugail novamente.
02:47
Professor Hassan Ugail: We've been
75
167680
1262
Professor Hassan Ugail: Temos
02:48
working quite a lot on the human
76
168942
1187
trabalhado muito nas
02:50
emotions so the idea is how the facial
77
170129
2842
emoções humanas, então a ideia é como o
02:52
muscle movement, which is reflected on
78
172971
2640
movimento dos músculos faciais, que se reflete no
02:55
the face, through obviously a computer
79
175611
1985
rosto, obviamente por meio de um computador
02:57
through video frames and trying to
80
177596
1810
por meio de quadros de vídeo e tentando
02:59
understand how these
81
179406
1064
entender como esses
03:00
muscle movements actually relate to
82
180470
2092
movimentos musculares realmente se relacionam para
03:02
facial expressions and then from facial
83
182562
2377
expressões faciais e depois de
03:04
expressions trying to understand the
84
184939
1960
expressões faciais tentando entender as
03:06
emotions or to infer the emotions. And
85
186899
2098
emoções ou inferir as emoções. E
03:08
they have been quite successful
86
188997
1712
eles têm sido muito bem sucedidos
03:10
in doing that. We have software that can
87
190709
2703
em fazer isso. Temos um software que pode
03:13
actually look at somebody's face in real
88
193420
2360
realmente olhar para o rosto de alguém em
03:15
time and then identify the series of
89
195780
2774
tempo real e, em seguida, identificar a série de
03:18
emotions that person is expressing in real
90
198554
2837
emoções que essa pessoa está expressando
03:21
time as well.
91
201391
878
também em tempo real.
03:22
Neil: So, how do the computers know
92
202269
2443
Neil: Então, como os computadores sabem
03:24
what is a real or a fake smile? The
93
204712
2552
o que é um sorriso verdadeiro ou falso? Os
03:27
computers have to learn
94
207264
1703
computadores têm que aprender
03:28
that first. Here’s Professor Ugail again
95
208967
2963
isso primeiro. Aqui está o professor Ugail novamente
03:31
talking about how they do that.
96
211930
2070
falando sobre como eles fazem isso.
03:34
Professor Hassan Ugail: We have a data
97
214000
1280
Professor Hassan Ugail: Temos um
03:35
set of real smiles and we have
98
215293
1297
conjunto de dados de sorrisos reais e
03:36
a data set of fake smiles. These real
99
216590
2029
um conjunto de dados de sorrisos falsos. Esses
03:38
smiles are induced smiles in a lab. So,
100
218619
2177
sorrisos reais são sorrisos induzidos em laboratório. Então,
03:40
you put somebody on a chair and then
101
220796
2486
você coloca alguém em uma cadeira e
03:43
show some funny movies
102
223282
1542
mostra alguns filmes engraçados
03:44
and we expect the smiles are genuine
103
224824
2400
e esperamos que os sorrisos sejam genuínos
03:47
smiles.
104
227224
685
03:47
And similarly we ask them to pretend to
105
227909
2012
.
E da mesma forma pedimos que finjam
03:49
smile. So, these are what you'd call fake
106
229921
2019
sorrir. Então, isso é o que você chamaria de
03:51
smiles.
107
231940
680
sorrisos falsos.
03:52
So, what we do is we throw these into the
108
232620
2440
Então, o que fazemos é jogá-los na
03:55
machine and then the machine figures
109
235060
1860
máquina e então a máquina
03:56
out what are the characteristics of a real
110
236920
2160
descobre quais são as características de um
03:59
smile and what are the characteristics of
111
239080
2300
sorriso real e quais são as características de
04:01
a fake smile.
112
241387
1093
um sorriso falso.
04:02
Neil: So, how do they get the data that the
113
242480
2840
Neil: Então, como eles obtêm os dados que os
04:05
computers use to see if your smile is fake
114
245320
2260
computadores usam para ver se o seu sorriso é falso
04:07
or 'genuine' – which is another word which
115
247580
2271
ou 'genuíno' – que é outra palavra 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: Eles induzem sorrisos reais no laboratório,
04:13
showing people funny films. This means
118
253680
3360
mostrando às pessoas filmes engraçados. Isso significa
04:17
that they make the smiles come naturally.
119
257040
2519
que eles fazem os sorrisos surgirem naturalmente.
04:19
They assume that the smiles while
120
259560
1700
Eles assumem que os sorrisos enquanto
04:21
watching the funny films are genuine.
121
261260
2600
assistem aos filmes engraçados são genuínos.
04:23
Neil: And then they ask the people to
122
263860
1400
Neil: E então eles pedem para as pessoas
04:25
pretend to smile and the computer
123
265267
1954
fingirem sorrir e o
04:27
programme now has a database of real
124
267221
2165
programa de computador agora tem um banco de dados de
04:29
and fake smiles and is able
125
269386
1624
sorrisos reais e falsos e é capaz
04:31
to figure out which is which.
126
271010
1790
de descobrir qual é qual.
04:32
Sam: 'Figure out' means to calculate and
127
272800
2500
Sam: 'Descobrir' significa calcular e
04:35
come to an answer
128
275300
1360
chegar a uma resposta
04:36
Neil: Yes, and apparently the system gets
129
276660
1260
Neil: Sim, e aparentemente o sistema
04:37
it right 90% of the time, which is much
130
277920
2840
acerta 90% das vezes, o que é muito
04:40
higher than we humans can. Right, well
131
280760
2640
mais do que nós, humanos. Certo, bem
04:43
before we remind ourselves of our
132
283400
1780
antes de nos lembrarmos de nosso
04:45
vocabulary, let’s get the answer to the
133
285220
1936
vocabulário, vamos obter a resposta para a
04:47
question. How many muscles do
134
287156
2184
pergunta. Quantos músculos
04:49
we have in our face? Is it:
135
289340
1920
temos em nosso rosto? É:
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, você vai sorrir?
04:56
What did you say?
138
296319
1411
O que você disse?
04:57
Sam: So I thought 62! Am I smiling, Neil?
139
297730
2870
Sam: Então eu pensei 62! Estou sorrindo, Neil?
05:00
Neil: Sadly you are not, you are using
140
300600
2440
Neil: Infelizmente você não está, você está usando
05:03
different muscles for that sort of sad
141
303040
2560
músculos diferentes para esse tipo de
05:05
look! Actually the answer is 43.
142
305600
3380
aparência triste! Na verdade, a resposta é 43.
05:08
Congratulations to anyone
143
308980
1580
Parabéns a
05:10
who got that right. Now our vocabulary.
144
310570
2070
quem acertou. Agora nosso vocabulário.
05:12
Sam: Yes – 'facial' is the adjective relating
145
312640
3280
Sam: Sim – 'facial' é o adjetivo relativo
05:15
to face.
146
315920
1320
ao rosto.
05:17
Neil: Then we had 'infer'. This verb means
147
317240
2460
Neil: Então tivemos 'inferir'. Esse verbo significa
05:19
to understand something even when you
148
319700
1900
entender algo mesmo quando você
05:21
don’t have all the information, and you
149
321600
2034
não tem todas as informações, e você
05:23
come to this understanding
150
323634
1356
chega a esse entendimento
05:24
based on your experience and knowledge,
151
324990
1854
com base na sua experiência e conhecimento
05:26
or in the case of a computer, the
152
326844
2116
ou, no caso de um computador, na
05:28
programming.
153
328960
980
programação.
05:29
Sam: And these computers work in 'real
154
329940
2020
Sam: E esses computadores funcionam em '
05:31
time', which means that there’s no delay
155
331967
2705
tempo real', o que significa que não há atraso
05:34
and they can tell a fake smile from a
156
334680
2260
e eles podem distinguir um sorriso falso de um
05:36
'genuine' one, which means a real one, as
157
336940
2080
'genuíno', o que significa real, conforme
05:39
the person is speaking.
158
339020
1570
a pessoa está falando.
05:40
Neil: They made people smile, or as the
159
340590
2150
Neil: Eles faziam as pessoas sorrirem ou, como
05:42
Professor said, they 'induced' smiles by
160
342740
2260
disse o professor, "induziam" sorrisos
05:45
showing funny films.
161
345000
1540
exibindo filmes engraçados.
05:46
Sam: And the computer is able to 'figure
162
346540
1780
Sam: E o computador é capaz de '
05:48
out', or calculate, whether the smile is fake
163
348320
3740
descobrir', ou calcular, se o sorriso é falso
05:52
or genuine.
164
352060
820
05:52
Neil: OK, thank you, Sam. That’s all from
165
352880
1440
ou genuíno.
Neil: OK, obrigado, Sam. Isso é tudo do
05:54
6 Minute English today. We look forward
166
354320
2200
6 Minute English hoje. Esperamos
05:56
to your company next time and if you
167
356520
1640
sua companhia na próxima vez e, se você
05:58
can’t wait you can find lots more from
168
358160
1880
não puder esperar, poderá encontrar muito mais no
06:00
bbclearningenglish online,
169
360040
1740
bbclearningenglish online,
06:01
on social media and on our app. Goodbye!
170
361780
2400
nas mídias sociais e em nosso aplicativo. Adeus!
06:04
Sam: Bye!
171
364600
1100
Sam: Tchau!
Sobre este site

Este sítio irá apresentar-lhe vídeos do YouTube que são úteis para a aprendizagem do inglês. Verá lições de inglês ensinadas por professores de primeira linha de todo o mundo. Faça duplo clique nas legendas em inglês apresentadas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas deslocam-se em sincronia com a reprodução do vídeo. Se tiver quaisquer comentários ou pedidos, por favor contacte-nos utilizando este formulário de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7