How we can teach computers to make sense of our emotions | Raphael Arar

64,579 views ・ 2018-04-24

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

00:00
Translator: Ivana Korom Reviewer: Joanna Pietrulewicz
0
0
7000
Traductor: Sonia Escudero Sánchez Revisor: Sebastian Betti
00:13
I consider myself one part artist and one part designer.
1
13760
4680
Me considero por una parte artista, por otra parte diseñador.
00:18
And I work at an artificial intelligence research lab.
2
18480
3160
Y trabajo en un laboratorio de investigación de inteligencia artificial.
00:22
We're trying to create technology
3
22720
1696
Tratamos de crear tecnología
00:24
that you'll want to interact with in the far future.
4
24440
3296
con la que uno querrá interactuar en un futuro lejano.
00:27
Not just six months from now, but try years and decades from now.
5
27760
4640
No dentro de seis meses, sino dentro de años y décadas.
00:33
And we're taking a moonshot
6
33120
1616
Y estaremos en un momento histórico
00:34
that we'll want to be interacting with computers
7
34760
2456
en el que querremos interactuar con ordenadores.
00:37
in deeply emotional ways.
8
37240
2120
en emociones profundas.
00:40
So in order to do that,
9
40280
1456
Para conseguir esto,
00:41
the technology has to be just as much human as it is artificial.
10
41760
4480
la tecnología tiene que ser tanto humana como artificial.
00:46
It has to get you.
11
46920
2256
Tiene que cautivarnos.
00:49
You know, like that inside joke that'll have you and your best friend
12
49200
3336
Como una broma privada que uno tiene con su mejor amigo
00:52
on the floor, cracking up.
13
52560
1936
en el suelo, desternillándose.
00:54
Or that look of disappointment that you can just smell from miles away.
14
54520
4560
O la mirada de decepción que uno puede ver desde kilómetros.
01:00
I view art as the gateway to help us bridge this gap between human and machine:
15
60560
6040
Veo el arte como una puerta para cerrar la brecha entre humanos y máquinas:
01:07
to figure out what it means to get each other
16
67280
3136
para descubrir qué significa entender al otro
01:10
so that we can train AI to get us.
17
70440
2760
y entrenar a la IA para que se nos entienda.
01:13
See, to me, art is a way to put tangible experiences
18
73920
3816
Para mí, el arte es una manera de poner experiencias tangibles
01:17
to intangible ideas, feelings and emotions.
19
77760
3240
en ideas intangibles, sentimientos y emociones.
01:21
And I think it's one of the most human things about us.
20
81800
2600
Y creo que es una de las cosas más humanas de nosotros.
01:25
See, we're a complicated and complex bunch.
21
85480
2936
Somos una especie complicada y compleja.
01:28
We have what feels like an infinite range of emotions,
22
88440
3136
Tenemos lo que parece un infinito rango de emociones
01:31
and to top it off, we're all different.
23
91600
2496
y, para colmo, somos diferentes.
01:34
We have different family backgrounds,
24
94120
2296
Tenemos diferentes antecedentes familiares,
01:36
different experiences and different psychologies.
25
96440
3080
diferentes experiencias y diferentes psicologías.
01:40
And this is what makes life really interesting.
26
100240
2720
Y eso es lo que hace a la vida tan interesante.
01:43
But this is also what makes working on intelligent technology
27
103440
3496
pero también es lo que hace que trabajar con tecnología inteligente
01:46
extremely difficult.
28
106960
1600
sea extremadamente difícil.
01:49
And right now, AI research, well,
29
109640
3456
Y justo ahora, la investigación en IA, bueno,
01:53
it's a bit lopsided on the tech side.
30
113120
2016
es un poco desigual en el lado de la tecnología.
01:55
And that makes a lot of sense.
31
115160
2136
Y tiene mucho sentido.
01:57
See, for every qualitative thing about us --
32
117320
2456
Verán, cada parte cualitativa de nosotros,
01:59
you know, those parts of us that are emotional, dynamic and subjective --
33
119800
4456
estas parte de nosotros que son emotivas, dinámicas y subjetivas...
02:04
we have to convert it to a quantitative metric:
34
124280
3136
tenemos que convertirlas a una escala cuantitativa:
02:07
something that can be represented with facts, figures and computer code.
35
127440
4360
algo que pueda ser representado con hechos, cifras y código informático.
02:13
The issue is, there are many qualitative things
36
133000
3376
La cuestión es, hay muchas cosas cualitativas
02:16
that we just can't put our finger on.
37
136400
1960
que simplemente no podemos entender.
02:20
So, think about hearing your favorite song for the first time.
38
140400
3200
Piensen cuando escucharon su canción favorita por primera vez.
02:25
What were you doing?
39
145200
1200
¿Qué estaban haciendo?
02:28
How did you feel?
40
148000
1200
¿Cómo se sintieron?
02:30
Did you get goosebumps?
41
150720
1360
¿Sintieron escalofríos?
02:33
Or did you get fired up?
42
153240
1640
¿Estaban entusiasmados?
02:36
Hard to describe, right?
43
156400
1200
Difícil de describir, ¿no?
02:38
See, parts of us feel so simple,
44
158800
2096
Partes de nosotros parecen muy simples,
02:40
but under the surface, there's really a ton of complexity.
45
160920
3656
pero bajo la superficie hay toneladas de complejidad.
02:44
And translating that complexity to machines
46
164600
2936
Y trasladar esa complejidad a las máquinas
02:47
is what makes them modern-day moonshots.
47
167560
2856
es lo que hace a los modernos hitos históricos.
02:50
And I'm not convinced that we can answer these deeper questions
48
170440
4176
Y no estoy convencido de que podamos responder estas preguntas complejas
02:54
with just ones and zeros alone.
49
174640
1480
solo con unos y ceros.
02:57
So, in the lab, I've been creating art
50
177120
1936
En el laboratorio, he creando arte
02:59
as a way to help me design better experiences
51
179080
2456
como medio para ayudarme a diseñar mejores experiencias
03:01
for bleeding-edge technology.
52
181560
2096
para el último grito en tecnología.
03:03
And it's been serving as a catalyst
53
183680
1736
Ha servido como catalizador
03:05
to beef up the more human ways that computers can relate to us.
54
185440
3840
para reforzar maneras humanas en que
los ordenadores pueden relacionarse con nosotros.
03:10
Through art, we're tacking some of the hardest questions,
55
190000
2696
A través del arte, abordamos algunas preguntas difíciles,
03:12
like what does it really mean to feel?
56
192720
2360
como, ¿qué significa realmente sentir?
03:16
Or how do we engage and know how to be present with each other?
57
196120
4080
O cómo involucrarnos y conocer cómo estar presentes para el otro.
03:20
And how does intuition affect the way that we interact?
58
200800
4000
O cómo la intuición afecta la manera en que interactuamos.
03:26
So, take for example human emotion.
59
206440
2056
Tomemos por ejemplo la emoción humana.
03:28
Right now, computers can make sense of our most basic ones,
60
208520
3256
Los ordenadores pueden sentir nuestras emociones más básicas,
03:31
like joy, sadness, anger, fear and disgust,
61
211800
3696
como alegría, tristeza, enfado, miedo y disgusto,
03:35
by converting those characteristics to math.
62
215520
3000
convirtiendo estas características en matemáticas.
03:39
But what about the more complex emotions?
63
219400
2536
¿Y qué hay de las emociones más complejas?
03:41
You know, those emotions
64
221960
1216
Saben, ¿esas emociones que nos cuesta describir al otro?
03:43
that we have a hard time describing to each other?
65
223200
2376
03:45
Like nostalgia.
66
225600
1440
Como la nostalgia.
03:47
So, to explore this, I created a piece of art, an experience,
67
227640
3936
Para explorar esto, he creado una obra de arte, una experiencia,
03:51
that asked people to share a memory,
68
231600
2096
que pide a la gente compartir sus recuerdos
03:53
and I teamed up with some data scientists
69
233720
2136
y los uno a algunos datos científicos
03:55
to figure out how to take an emotion that's so highly subjective
70
235880
3576
para descubrir cómo tomar emociones muy subjetivas
03:59
and convert it into something mathematically precise.
71
239480
3200
y convertirlas en algo matemáticamente preciso.
04:03
So, we created what we call a nostalgia score
72
243840
2136
Creamos una puntuación de nostalgia
04:06
and it's the heart of this installation.
73
246000
2216
y es el corazón de esta instalación.
04:08
To do that, the installation asks you to share a story,
74
248240
3056
Para conseguir esto, el sistema te pide compartir una historia,
04:11
the computer then analyzes it for its simpler emotions,
75
251320
3256
el ordenador la analiza por sus emociones más simples,
04:14
it checks for your tendency to use past-tense wording
76
254600
2656
y comprueba la tendencia a usar palabras en pasado
04:17
and also looks for words that we tend to associate with nostalgia,
77
257280
3336
y busca palabras que tendemos a asociar con la nostalgia,
04:20
like "home," "childhood" and "the past."
78
260640
3040
como "casa", "infancia" y "el pasado".
04:24
It then creates a nostalgia score
79
264760
2056
Luego crea una puntuación de nostalgia
04:26
to indicate how nostalgic your story is.
80
266840
2736
que indica cuán nostálgica es su historia.
04:29
And that score is the driving force behind these light-based sculptures
81
269600
4136
Y la puntuación es la impulsora que hay detrás de estas esculturas de luz
04:33
that serve as physical embodiments of your contribution.
82
273760
3896
que sirven como encarnaciones físicas de su contribución.
04:37
And the higher the score, the rosier the hue.
83
277680
3216
Cuanto más alta la puntuación, más rosa es el tono.
04:40
You know, like looking at the world through rose-colored glasses.
84
280920
3936
Es como mirar el mundo a través de lentes rosas.
04:44
So, when you see your score
85
284880
2616
Así, cuando uno ve su puntuación
04:47
and the physical representation of it,
86
287520
2656
y su representación física,
04:50
sometimes you'd agree and sometimes you wouldn't.
87
290200
2936
a veces estará de acuerdo, y a veces no lo estará.
04:53
It's as if it really understood how that experience made you feel.
88
293160
3480
Es como si realmente entendiera cómo lo hizo sentir esa experiencia.
04:57
But other times it gets tripped up
89
297400
2216
Pero otras veces tropieza de tal modo
04:59
and has you thinking it doesn't understand you at all.
90
299640
2560
que piensa que no le ha entendido en absoluto.
05:02
But the piece really serves to show
91
302680
1896
Pero la obra sirve para mostrar
05:04
that if we have a hard time explaining the emotions that we have to each other,
92
304600
4056
que si se nos hace difícil explicar las emociones que tenemos a otro,
05:08
how can we teach a computer to make sense of them?
93
308680
2360
¿cómo enseñar a un ordenador a darles sentido?
05:12
So, even the more objective parts about being human are hard to describe.
94
312360
3576
Incluso las partes más objetivas de los humanos son difíciles de describir.
05:15
Like, conversation.
95
315960
1240
Como la conversación.
05:17
Have you ever really tried to break down the steps?
96
317880
2736
¿Alguna vez han intentado descomponer sus partes?
05:20
So think about sitting with your friend at a coffee shop
97
320640
2656
Piensen en estar sentados con un amigo en una cafetería
05:23
and just having small talk.
98
323320
1320
teniendo una conversación trivial.
05:25
How do you know when to take a turn?
99
325160
1720
¿Cómo saben cuándo dar un giro a la conversación?
05:27
How do you know when to shift topics?
100
327440
1840
¿Cómo saben cuándo cambiar de tema?
05:29
And how do you even know what topics to discuss?
101
329960
2720
¿Y cómo saben, incluso, sobre qué tema discutir?
05:33
See, most of us don't really think about it,
102
333560
2096
La mayoría no piensa sobre esto,
05:35
because it's almost second nature.
103
335680
1656
parece algo natural.
05:37
And when we get to know someone, we learn more about what makes them tick,
104
337360
3496
Cuando conocemos a alguien, sabemos cómo manejar esto,
05:40
and then we learn what topics we can discuss.
105
340880
2376
y aprendemos qué temas discutir.
05:43
But when it comes to teaching AI systems how to interact with people,
106
343280
3656
Pero cuando se trata de enseñar a enseñar a la IA a interactuar con gente,
05:46
we have to teach them step by step what to do.
107
346960
2856
tenemos que enseñarle paso por paso qué hacer.
05:49
And right now, it feels clunky.
108
349840
3496
Y ahora mismo, parece difícil.
05:53
If you've ever tried to talk with Alexa, Siri or Google Assistant,
109
353360
4136
Si incluso tratan de hablar con Alexa, Siri o el asistente de Google,
05:57
you can tell that it or they can still sound cold.
110
357520
4200
pueden decir que él o ellos aún suenan fríos.
06:02
And have you ever gotten annoyed
111
362440
1656
Y, ¿alguna vez incluso se han enfadado
06:04
when they didn't understand what you were saying
112
364120
2256
cuando no han comprendido qué estaban diciendo
06:06
and you had to rephrase what you wanted 20 times just to play a song?
113
366400
3840
y tienen que reformular 20 veces lo que dicen para reproducir una canción?
06:11
Alright, to the credit of the designers, realistic communication is really hard.
114
371440
4896
Para dar crédito a los diseñadores, la comunicación realista es muy difícil.
06:16
And there's a whole branch of sociology,
115
376360
2136
Y hay una rama completa de la sociología,
06:18
called conversation analysis,
116
378520
1936
llamada análisis de la conversación,
06:20
that tries to make blueprints for different types of conversation.
117
380480
3136
que intenta hacer planos de los diferentes tipos de conversación.
06:23
Types like customer service or counseling, teaching and others.
118
383640
4080
Tipos como servicio al cliente, consejeros, enseñanza y otros.
06:28
I've been collaborating with a conversation analyst at the lab
119
388880
2936
He estado colaborando con un analista de la conversación en el laboratorio
06:31
to try to help our AI systems hold more human-sounding conversations.
120
391840
4696
para tratar de ayudar a los sistemas de IA a mantener conversaciones más humanas.
06:36
This way, when you have an interaction with a chatbot on your phone
121
396560
3176
Cuando tienes una interacción con un chatbox en tu teléfono
06:39
or a voice-based system in the car,
122
399760
1856
o sistemas basados en voz en tu coche,
06:41
it sounds a little more human and less cold and disjointed.
123
401640
3320
suena un poco más humano y menos frío e inconexo.
06:46
So I created a piece of art
124
406360
1336
He creado una obra de arte
06:47
that tries to highlight the robotic, clunky interaction
125
407720
2816
que trata de iluminar la robótica, la interacción difícil
06:50
to help us understand, as designers,
126
410560
1976
para ayudarnos a entender, como diseñadores,
06:52
why it doesn't sound human yet and, well, what we can do about it.
127
412560
4576
por qué no suena humano aún, y qué podemos hacer.
06:57
The piece is called Bot to Bot
128
417160
1456
Esta obra se llama Bot to Bot
06:58
and it puts one conversational system against another
129
418640
2936
y pone un sistema a conversar con otro
07:01
and then exposes it to the general public.
130
421600
2536
y lo expone al público general.
07:04
And what ends up happening is that you get something
131
424160
2496
Y uno acaba teniendo algo
07:06
that tries to mimic human conversation,
132
426680
1896
que intenta imitar la conversación humana,
07:08
but falls short.
133
428600
1896
pero se queda corto.
07:10
Sometimes it works and sometimes it gets into these, well,
134
430520
2736
A veces funciona y a veces se queda en estos, bueno,
07:13
loops of misunderstanding.
135
433280
1536
ciclos de malentendidos.
07:14
So even though the machine-to-machine conversation can make sense,
136
434840
3096
Aunque una conversación máquina a máquina pueda tener sentido,
07:17
grammatically and colloquially,
137
437960
2016
gramatical y coloquialmente,
07:20
it can still end up feeling cold and robotic.
138
440000
3216
aún sigue pareciendo algo frío y robótico.
07:23
And despite checking all the boxes, the dialogue lacks soul
139
443240
4016
Y, a pesar de cumplir todos los puntos, el diálogo carece de alma
07:27
and those one-off quirks that make each of us who we are.
140
447280
3136
y esa peculiaridad única hace de cada uno lo que es.
07:30
So while it might be grammatically correct
141
450440
2056
Puede que si bien podía ser gramaticalmente correcto
07:32
and uses all the right hashtags and emojis,
142
452520
2656
y usa todos los hashtags y emojis correctos,
07:35
it can end up sounding mechanical and, well, a little creepy.
143
455200
4136
acaba sonando mecánico, y bueno, un poco siniestro.
07:39
And we call this the uncanny valley.
144
459360
2336
Y lo llamamos valle misterioso.
07:41
You know, that creepiness factor of tech
145
461720
1936
El factor siniestro de la tecnología
07:43
where it's close to human but just slightly off.
146
463680
2856
donde es cercana a lo humano pero está fuera de lugar.
07:46
And the piece will start being
147
466560
1456
Y la pieza acabará siendo
07:48
one way that we test for the humanness of a conversation
148
468040
3216
una forma de probar la humanidad en una conversación
07:51
and the parts that get lost in translation.
149
471280
2160
y las piezas perdidas en la traducción.
07:54
So there are other things that get lost in translation, too,
150
474560
2856
Hay otras cosas perdidas en la traducción, también,
07:57
like human intuition.
151
477440
1616
como la intuición humana.
07:59
Right now, computers are gaining more autonomy.
152
479080
2776
Ahora, los ordenadores están ganando más autonomía.
08:01
They can take care of things for us,
153
481880
1736
Pueden hacer cosas por nosotros,
08:03
like change the temperature of our houses based on our preferences
154
483640
3176
como cambiar la temperatura de casa según nuestras preferencias
08:06
and even help us drive on the freeway.
155
486840
2160
e incluso nos ayudan a conducir por la autopista.
08:09
But there are things that you and I do in person
156
489560
2496
Pero hay cosas que Uds. y yo hacemos en persona
08:12
that are really difficult to translate to AI.
157
492080
2760
que son difíciles de traducir a IA.
08:15
So think about the last time that you saw an old classmate or coworker.
158
495440
4360
Piensen en la última vez que vieron a un antiguo compañero de clase o colega.
08:21
Did you give them a hug or go in for a handshake?
159
501080
2480
¿Los abrazo o les dio la mano?
08:24
You probably didn't think twice
160
504800
1496
Probablemente no lo pensó
08:26
because you've had so many built up experiences
161
506320
2336
porque han tenido tantas experiencias acumuladas
08:28
that had you do one or the other.
162
508680
2000
que les hizo hacer uno u otro.
08:31
And as an artist, I feel that access to one's intuition,
163
511440
3456
Y como artista, siento el acceso a la propia intuición,
08:34
your unconscious knowing,
164
514920
1416
el conocimiento inconsciente,
08:36
is what helps us create amazing things.
165
516360
3056
que nos ayuda a crear cosas maravillosas.
08:39
Big ideas, from that abstract, nonlinear place in our consciousness
166
519440
4056
Grandes ideas, de lo abstracto, en un lugar de nuestra consciencia
08:43
that is the culmination of all of our experiences.
167
523520
2960
que es la culminación de todas nuestras experiencias.
08:47
And if we want computers to relate to us and help amplify our creative abilities,
168
527840
4656
Si queremos que se relacionen con nosotros y ayudan a amplificar habilidades creativas,
08:52
I feel that we'll need to start thinking about how to make computers be intuitive.
169
532520
3896
necesitamos empezar a pensar cómo hacer que sean intuitivos.
08:56
So I wanted to explore how something like human intuition
170
536440
3096
Quiero explorar cómo algo como la intuición humana
08:59
could be directly translated to artificial intelligence.
171
539560
3456
puede ser directamente traducida a la inteligencia artificial.
09:03
And I created a piece that explores computer-based intuition
172
543040
3216
Y creé una obra que explora ordenadores basados en intuición
09:06
in a physical space.
173
546280
1320
en un espacio físico.
09:08
The piece is called Wayfinding,
174
548480
1696
Esta obra se llama Wayfinding, está configurada
09:10
and it's set up as a symbolic compass that has four kinetic sculptures.
175
550200
3936
como una brújula simbólica que tiene cuatro esculturas quinéticas.
09:14
Each one represents a direction,
176
554160
2056
Cada una representa una dirección,
09:16
north, east, south and west.
177
556240
2120
norte, este, sur y oeste.
09:19
And there are sensors set up on the top of each sculpture
178
559080
2696
Y hay sensores configurados encima de cada escultura
09:21
that capture how far away you are from them.
179
561800
2256
que capturan cuán lejos estás de ellas.
09:24
And the data that gets collected
180
564080
1816
Y los datos que coleccionan
09:25
ends up changing the way that sculptures move
181
565920
2136
acaban cambiando la forma en que la escultura se mueve
09:28
and the direction of the compass.
182
568080
2040
y la dirección de la brújula.
09:31
The thing is, the piece doesn't work like the automatic door sensor
183
571360
3656
La cosa es, la pieza no funciona como una puerta automática
09:35
that just opens when you walk in front of it.
184
575040
2656
que solo se abre cuando uno pasa frente a ella.
09:37
See, your contribution is only a part of its collection of lived experiences.
185
577720
5056
La contribución es solo una parte de nuestras experiencias vividas.
09:42
And all of those experiences affect the way that it moves.
186
582800
4056
Y esas experiencias afectan la manera en que se mueve.
09:46
So when you walk in front of it,
187
586880
1736
Cuando uno camina frente a ella,
09:48
it starts to use all of the data
188
588640
1976
empieza a usar todos los datos
09:50
that it's captured throughout its exhibition history --
189
590640
2616
que capturó a lo largo de su historial de exposición,
09:53
or its intuition --
190
593280
1816
o es intuición,
09:55
to mechanically respond to you based on what it's learned from others.
191
595120
3560
para responder mecánicamente basado en lo que aprendió de otros.
09:59
And what ends up happening is that as participants
192
599480
2536
Y lo que acaba pasando es que como participantes
10:02
we start to learn the level of detail that we need
193
602040
2816
empezamos a aprender el nivel de detalles que necesitamos
10:04
in order to manage expectations
194
604880
2016
para manejar las expectativas
10:06
from both humans and machines.
195
606920
2776
tanto de humanos como de máquinas.
10:09
We can almost see our intuition being played out on the computer,
196
609720
3616
Casi podemos ver nuestra intuición interpretada en el ordenador,
10:13
picturing all of that data being processed in our mind's eye.
197
613360
3600
imaginando todos los datos siendo procesados por el ojo de la mente.
10:17
My hope is that this type of art
198
617560
1656
Mi esperanza es que este tipo de arte
10:19
will help us think differently about intuition
199
619240
2416
nos ayudará a pensar diferente sobre nuestra intuición
10:21
and how to apply that to AI in the future.
200
621680
2280
y cómo aplicarla a la IA en el futuro.
10:24
So these are just a few examples of how I'm using art to feed into my work
201
624480
3936
Son unos cuantos efectos sobre cómo uso el arte para avivar mi trabajo
10:28
as a designer and researcher of artificial intelligence.
202
628440
3096
como diseñador e investigador de inteligencia artificial.
10:31
And I see it as a crucial way to move innovation forward.
203
631560
3496
Y lo veo como una forma crucial para avanzar en innovación.
10:35
Because right now, there are a lot of extremes when it comes to AI.
204
635080
4376
Hay un montón de extremos cuando nos referimos a la IA.
10:39
Popular movies show it as this destructive force
205
639480
2816
Películas famosas la muestran como esta fuerza destructiva
10:42
while commercials are showing it as a savior
206
642320
3056
mientras la publicidad la muestra como una salvadora
10:45
to solve some of the world's most complex problems.
207
645400
2936
para resolver alguno de los problemas más complejos del mundo.
10:48
But regardless of where you stand,
208
648360
2536
Pero independientemente de donde te encuentres
10:50
it's hard to deny that we're living in a world
209
650920
2176
es difícil negar que vivimos en un mundo
10:53
that's becoming more and more digital by the second.
210
653120
2576
que se vuelve más digital a cada segundo.
10:55
Our lives revolve around our devices, smart appliances and more.
211
655720
4600
Nuestras vidas giran en torno a nuestros dispositivos y demás
11:01
And I don't think this will let up any time soon.
212
661400
2320
Y no creo que esto desaparezca pronto.
11:04
So, I'm trying to embed more humanness from the start.
213
664400
3736
Intento incrustar más humanidad desde el principio.
11:08
And I have a hunch that bringing art into an AI research process
214
668160
5136
Tengo la corazonada de que llevar el arte al proceso de investigación IA
11:13
is a way to do just that.
215
673320
1896
es una manera de hacer esto.
11:15
Thank you.
216
675240
1216
Gracias.
11:16
(Applause)
217
676480
2280
(Aplausos)
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