يقدم الباحثون إطار عمل VTaMo الذي يحسّن ترجمة لغة الإشارة من خلال إدخال محاذاة صريحة متعددة الحبيبات بدلاً من الاعتماد على المحاذاة العابرة للنماذج الضمنية. يقوم النموذج بمحاذاة الفيديو والنص على ثلاثة مستويات: مطابقة الإطار إلى الرمز محلياً عبر النقل الأمثل المنتظم بالإنتروبيا، ومعايرة التضمين عالمياً باستخدام مسافة الأرضية المتحركة (Earth Mover's Distance)، وتعلم تناظري متباين متوافق مع الموضع.
- تستخدم المحاذاة المحلية رمز فارغ قابل للتعلم للمطابقات الدقيقة.
- تستخدم المحاذاة العالمية تحويلًا متعامقًا لمعايرة هندسة فضاء التضمين.
- يوفر التعلم المتباين المتوافق مع الموضع تمثيلات على مستوى الرمز ذات تمييزية عالية.
أظهرت التجارب على مجموعات Phoenix-2014T وCSL-Daily وHow2Sign وOpenASL أداءً متسقاً في حالة السبق، وأكدت الاختبارات التناقصية المساهمات التكميلية لكل مكون.