Identifying jewelry pieces presents a significant challenge due to the wide range of styles and designs. Currently, precise descriptions are typically limited to industry experts. However, translators and interpreters often require a comprehensive understanding of these items. In this study, we introduce an innovative approach to automatically identify and describe jewelry using neural networks. This method enables translators and interpreters to quickly access accurate information, aiding in resolving queries and gaining essential knowledge about jewelry. Our model operates at three distinct levels of description, employing computer vision techniques and image captioning to emulate expert analysis of accessories. The key innovation involves generating natural language descriptions of jewelry across three hierarchical levels, capturing nuanced details of each piece. Different image captioning architectures are utilized to detect jewels in images and generate descriptions with varying levels of detail. To demonstrate the effectiveness of our approach in recognizing diverse types of jewelry, we assembled a comprehensive database of accessory images. The evaluation process involved comparing various image captioning architectures, focusing particularly on the encoder–decoder model, crucial for generating descriptive captions. After thorough evaluation, our final model achieved a captioning accuracy exceeding 90%.

En este trabajo queremos reflexionar sobre las elecciones tomadas para elaborar un guion audiodescrito de película de animación. Quien elabora el guion de una audiodescripción debe, sin duda, tener un profundo conocimiento lingüístico, así como un gran conocimiento de la obra que describe, de su mensaje, de su creador y su estilo, así como de sus receptores. Esta formación lingüística y de documentación, de conocimiento del subtitulado y la capacidad de comprensión del significado en espacios cortos de tiempo, son vitales a la hora de conseguir transmitir cuantos más estímulos posibles a los “espectadores” no videntes. Desde una perspectiva pragmático-cognitiva, queremos reflexionar sobre la capacidad de análisis, interpretación y transmisión de estímulos no verbales en forma de estímulos verbales en una película de animación que requiere de un esfuerzo máximo de compresión de información para el guion escrito. Se trata de la película Del revés (2015), galardonada con el Óscar a la mejor película de animación. Con este fin, se analizan tres fragmentos relevantes de la película y de la audiodescripción elaborada por la Organización Nacional de Ciegos Españoles (ONCE) a través de su aplicación móvil Audesc Mobile.