Sitio web
GitHub
Instagram
Contacto
Jña'a = hablar · Ri = modo indicativo · Y'ë'ë = mano
Jña'a Ri Y'ë'ë es un sistema de inteligencia artificial que interpreta y enseña Lengua de Señas Mexicana (LSM) desde un teléfono móvil, sin depender de internet ni de un intérprete disponible en el momento exacto en que se necesita.
El nombre viene de la lengua mazahua (jñatjo), hablada en comunidades del norte y centro del Estado de México. No es un detalle decorativo: es una declaración de principios sobre a quién está dirigido el proyecto — dos lenguas históricamente marginadas, nombrando juntas una misma herramienta de inclusión.
| Desarrollar un sistema inteligente que interprete y enseñe LSM de forma accesible, reduciendo las barreras de comunicación entre personas sordas y oyentes en México. | Convertirse en la plataforma de referencia en México para la inclusión y enseñanza de LSM mediante IA, capaz de operar sin conexión y escalar hacia nuevas lenguas de señas. |
| Ícono | Valor |
|---|---|
 |
Innovación — IA, visión por computadora y desarrollo móvil con propósito social |
 |
Inclusión — la tecnología une, no reemplaza al intérprete humano |
 |
Ciencia y educación — exploración continua + documentación abierta del proceso |
 |
20.8 M | personas con discapacidad o limitación en México |
 |
~5.1 M | con dificultad para escuchar |
 |
~700 mil | personas con sordera severa |
 |
40–42 | intérpretes certificados en todo el país |
 |
1 : 127,616 | proporción intérprete / persona sorda |
Fuente: INEGI, Censo 2020
Una encuesta propia a 302 personas confirmó el diagnóstico:
Dificultades reales para comunicarse con una persona sorda
█████████████████████████████████████░░░░░░░░░░ 56.0%
Cree que una app así mejoraría la inclusión social
██████████████████████████████████████████░░░░░ 87.7%
Usaría una app móvil para aprender LSM
████████████████████████████████████████████░░░ 88.4%
Barrera principal = falta de conocimiento de la LSM
██████████████████████████████░░░░░░░░░░░░░░░░░░ 52.6%
La barrera principal no es la falta de tecnología ni de intérpretes: es el desconocimiento social de la LSM. Por eso el sistema combina interpretación y aprendizaje en un mismo lugar.
Corre a ~30 cuadros/segundo, 100% local, sin conexión a internet. El deletreo es manual: la persona confirma cada letra antes de pasar a la siguiente.
Pipeline nativo en ██████████████░░░░░░
App móvil — Flutter ███████████░░░░░░░░░
Estudio de campo y validación ████████████████████
Letras dinámicas (J,K,Ñ,Q,X,Z) █████░░░░░░░░░░░░░░░
|
|
Ver los 10 objetivos específicos (OE1–OE10)
| # | Área | Objetivo |
|---|---|---|
| OE1 | IA | Detectar la mano y estimar keypoints en tiempo real |
| OE2 | IA | Clasificar el abecedario de LSM con un modelo de fusión, inferencia local |
| OE3 | IA | Optimizar tamaño y velocidad para operar sin internet |
| OE4 | Dataset | Construir un dataset diverso en tono de piel, tamaño de mano, ángulo e iluminación |
| OE5 | Dataset | Esquema de base de datos trazable para datasets, etiquetas y versiones |
| OE6 | Backend | API REST que conecte app, web y base de datos |
| OE7 | Web | Plataforma que documente el proyecto y permita una demo en vivo |
| OE8 | App móvil | Interpretar señas en tiempo real, sin internet |
| OE9 | App móvil | Módulo de academia con lecciones estructuradas por nivel |
| OE10 | App móvil | Accesibilidad de interfaz para distintas edades y capacidades |
Alcance: interpretación cámara → texto/voz · academia LSM con progreso y gamificación · plataforma web de difusión · funcionamiento local del núcleo, sin internet.
Pendientes por requerir movimiento: J · K · Ñ · Q · X · Z
Diversidad priorizada en la recolección: tono de piel · ángulo y distancia de captura · condiciones de iluminación y fondo · tamaño de mano representativo de distintas edades.
| Arquitectura | Accuracy |
|---|---|
| CNN sola | 5.3% |
| Keypoints (KP) solos | 99.0% |
| Fusión (gating) | 99.9% |
| Tamaño del modelo local | 13.76 MB — 100% offline |
| Integrante | Módulo | Responsabilidad |
|---|---|---|
| Anahí Figueroa González | App móvil / dirección estratégica | Visión general, arquitectura de la app, UX |
| Axel Eduardo Urbina Secundino | Modelos de IA / dirección técnica | Pipeline de reconocimiento, entrenamiento, exportación |
| Carlos Ramírez Zepeda | Web — Frontend | Componentes del sitio, diseño responsivo |
| María Fernanda de Jesús Casimiro | Base de datos / dataset | Versionado de datos, esquema de base de datos |
| Yoatzin Marelly Jiménez Hipólito | Base de datos / dataset | Preparación y etiquetado de imágenes |
En el corto plazo:
- Cerrar la decisión sobre la compuerta adaptativa de confianza en Flutter
- Ampliar el pipeline en C++ con reglas de parámetros fonológicos de la LSM
- Reconocer las 6 letras dinámicas restantes del abecedario
- Publicar el trabajo y conseguir respaldo de organizaciones de la comunidad Sorda, como paso previo a explorar colaboración con Google DeepMind — cuyo anuncio de SL2T no incluye cobertura de LSM
| Perfil | Cómo sumar | |
|---|---|---|
 |
Estudiantes | Desarrollo, diseño UX/UI, investigación en IA/ML, gestión de proyecto |
 |
Instituciones educativas | Colaboración académica, asesoría técnica, espacios de trabajo |
 |
Comunidad Sorda | Validación de funcionalidades, contribución de datos, feedback |
 |
Empresas | Mentoría técnica, donación de equipo, difusión |
"cada seña reconocida es una barrera menos para alguien que depende de la LSM para comunicarse"
