Cocinar sin manos: un guiño para el paso siguiente, la voz para todo lo demás

Cocinar sin manos ha significado control por voz durante una década, y la voz es realmente buena en la parte difícil: responder a una pregunta que no habías previsto, en mitad de un paso. Encaja mal con la parte fácil. Nueve de cada diez veces, lo que necesitas de una receta es un solo bit de información en la otra dirección: siguiente. Decir una frase entera, por encima de una campana extractora, para transmitir un bit es un intercambio raro, y por eso la mayoría abandona la voz al cabo de una semana y vuelve a secarse las manos.

El principio útil es que el coste del control debe corresponderse con el tamaño de la petición. Un guiño basta para pasar de página. Mantener la boca abierta basta para desplazar el texto. Hablar debería reservarse para lo que solo el habla puede expresar. Este artículo va de cómo queda eso cuando te lo tomas en serio.

Qué le pides de verdad a una receta

Ponte ante los fuegos con una receta en el móvil y cuenta las interacciones. Caen en cuatro grupos, tremendamente desiguales tanto en frecuencia como en tamaño.

Solo la cuarta necesita una frase. Las tres primeras son la abrumadora mayoría de lo que pasa, y un asistente de voz cobra el mismo precio por las cuatro: captar su atención, formular una frase, decirla con la claridad suficiente para que se transcriba, esperar.

La voz es una herramienta polivalente con tarifa plana

La tarifa plana es el problema, y empeora justo en las condiciones en que más falta hace tener las manos libres. Las cocinas son ruidosas de una forma especialmente hostil al reconocimiento de voz: una campana, un grifo abierto y algo friéndose son ruido de banda ancha colocado encima de la banda de la voz. Las palabras de activación se ajustan de forma estricta, porque una que se dispara con la televisión es inservible, y esa exigencia se paga en fallos. Tres intentos fallidos de decir «paso siguiente» por encima de una campana es peor que secarse las manos, y todo el mundo lo descubre rápido.

Luego está la parte de la que nadie escribe: cocinar suele ser social. Dictarle instrucciones a un móvil mientras otra persona te habla en la cocina no es un acto neutro. La gente deja de hacerlo, no porque falle, sino porque da un poco de vergüenza.

Nada de esto convierte la voz en algo malo. La convierte en el nivel equivocado para lo pequeño.

Un parpadeo no es un guiño

El control barato evidente es la cara, y la primera idea evidente es vigilar los ojos. Es más difícil de lo que parece, y vale la pena entender por qué: es justo lo que hace que la mayoría de funciones con gestos faciales resulten defectuosas.

Una persona parpadea entre quince y veinte veces por minuto sin decidirlo. Así que «un ojo está cerrado» no lleva ninguna intención. Lo que separa un guiño de un parpadeo no es que el ojo esté cerrado: es la asimetría. Un parpadeo natural cierra ambos párpados a la vez, con veinte o cuarenta milisegundos de diferencia. Un guiño cierra uno.

Esa sola observación cambia lo que construyes. No es un detector con un filtro añadido después; es un detector de asimetría en el que el cierre simétrico es el caso de rechazo explícito. Planteado así, un guiño puede confirmarse en el instante en que se descarta un parpadeo (alrededor de una décima de segundo) en lugar de esperar a nada.

El error tentador es exigir que se mantenga: deja el ojo cerrado un momento, para que sepamos que iba en serio. Suena más seguro y es el mecanismo equivocado. Un guiño rápido y natural se cierra y se abre en ochenta o ciento veinte milisegundos, es decir, termina antes de que se cumpla cualquier umbral razonable de mantenimiento. El gesto se descarta en cuanto el ojo se reabre, y quien cocina acaba teniendo que entrecerrar los ojos a propósito ante su cena. La duración nunca fue lo que distinguía un guiño de un parpadeo. Exigirla no aporta nada y vuelve el conjunto lento de una forma que ningún ajuste arregla.

Los ojos apuntan peor de lo que crees

Desplazar el texto es una petición de otra forma (sostenida en vez de disparada) y la respuesta que suena elegante es usar la mirada. Miras abajo, el texto avanza. Miras arriba, se para.

Se mide mal. En un dispositivo real, todo el rango utilizable de la mirada relativa a la cabeza es de unos 0,13 en unidades normalizadas: barrer con los ojos desde arriba de un paso hasta un botón al pie de la pantalla mueve la señal unos 0,10. Mientras tanto, el simple hecho de leer la pantalla ya la hace vagar ±0,065. El suelo de ruido y la señal tienen el mismo tamaño. Ningún umbral los separa, y eso es una propiedad del sensor, no algo que se arregle ajustando.

La mandíbula, sin ningún glamour, funciona mucho mejor. La apertura de la boca tiene un rango real de cero a uno, no necesita línea base adaptativa y no es ambigua: o lo has hecho o no. Su único riesgo real de falso positivo es el habla, y se resuelve con un breve mantenimiento: hablar abre la mandíbula de forma repetida pero breve, y rara vez la deja bien abierta más allá de un tercio de segundo.

La mirada se gana su sitio, pero no como puntero. Responde a una pregunta mucho más gruesa (¿esta persona está mirando el móvil?) y resulta que es la que importa, porque un guiño dirigido a alguien al otro lado de la cocina no es una petición de navegación.

Cómo queda esto en Sugo

El modo cocina de Sugo pone tres controles en la misma cara, cada uno dimensionado para su tarea.

Guiño derecho para el paso siguiente, guiño izquierdo para el anterior. La derecha y la izquierda son las tuyas, no las de la cámara, y por eso la configuración te pide hacer cada gesto una vez antes de activar nada. Un parpadeo normal cierra los dos ojos, así que nunca dispara nada. Después de un gesto hay un segundo de sordera, para que un guiño entusiasta no te salte tres pasos.

Mantén la boca abierta para desplazar el paso actual. Avanza mientras la boca está abierta y se detiene al cerrarla, que es la forma adecuada para un párrafo largo que lees a un brazo de distancia.

Di «hey Sugo» para cualquier cosa que necesite palabras. La palabra de activación funciona en tu dispositivo, y el asistente que responde ya tiene la receta delante, así que «¿cuánta mantequilla era?» es una pregunta completa.

Merece la pena señalar tres detalles, porque son los que evitan que esto parezca una cámara mirándote fijamente. Todo ocurre en tu dispositivo: no se guarda ni se envía ninguna foto ni ningún vídeo a ninguna parte. El indicador de cámara permanece encendido todo el tiempo que el modo cocina está abierto, deliberadamente. Y un guiño hacia delante no hace nada en el último paso: terminar una receta sigue siendo un toque intencionado, porque es la única acción que no se deshace a la ligera.

Si quieres el resto del montaje (apoyar el móvil, el bloqueo automático, leer la receta antes) está en cómo cocinar una receta sin tocar el móvil. Y todo esto solo funciona si la receta ya está en un estado con el que se pueda cocinar, que es para lo que sirve guardar bien las recetas.

Lo que no hace

Guiñar un ojo de forma independiente es una habilidad motriz aprendida, y una parte real de la gente sencillamente no puede. Por eso la configuración te hace ejecutar el gesto en lugar de limitarse a explicarlo: si no te funciona, lo descubres en diez segundos y no a mitad de receta. También significa que esto no es una función para todo el mundo, y que los botones táctiles no van a desaparecer.

La cámara tiene que verte la cara, lo que implica el móvil apoyado, mirando hacia ti, a un brazo de distancia y con luz suficiente. Un móvil tumbado sobre la encimera desarma todo el asunto, aunque ya era el peor sitio para él.

Comer delante del móvil se parece mucho a mantener la boca abierta. El filtro de atención ayuda, porque solo cuenta cuando estás mirando la pantalla, pero si pruebas y lees a la vez, el paso se va a desplazar.

Tener la cámara frontal en marcha gasta batería, y el indicador se queda visible todo el rato. Habrá quien no quiera ninguna de las dos cosas durante una receta de cuarenta minutos, y es razonable. Y aunque la palabra de activación escucha en el dispositivo, el asistente que responde necesita conexión: los gestos siguen funcionando cuando se cae, las preguntas no.

La versión de cinco minutos

1. Apoya el móvil mirando hacia ti, a un brazo de distancia

   Todos los controles faciales dependen de este único hecho físico.

2. Haz la configuración una vez y ejecuta los gestos de verdad

   Confirma izquierda y derecha en tu dispositivo, y te dice en segundos si guiñar te funciona.

3. Usa guiños para avanzar y volver

   La petición más frecuente debería ser la más barata de hacer.

4. Mantén la boca abierta en los pasos largos

   Un control sostenido para una petición continua, en lugar de un salto.

5. Guarda la voz para las preguntas de verdad

   Sustituciones, cantidades, «qué decía ese paso»: lo que solo el lenguaje puede preguntar.

La cuestión no es que los gestos sean ingeniosos. Es que una receta debería costarte la menor atención posible mientras hay algo al fuego, y que casi todo lo que le pides es demasiado pequeño para merecer una frase.

Sugo está en beta abierta en iPhone. Si alguna vez le has gritado «paso siguiente» a un móvil por encima de una campana extractora, únete a la beta.