Google DeepMind｜SL2T手语转文字上线Pixel 11

听人早已把「对着手机说话」当成默认输入，手语用户却长期停在实验室演示——Google DeepMind试图把这件事写进出厂功能。

Google DeepMind是谷歌的前沿AI研究与产品化单元，长期覆盖语言模型、多模态与科学应用。手语AI难在两点：其一，手语是独立自然语言，不是「把手势逐个映射成英语单词」；其二，意义同时由手、臂、躯干、头与面部运动承载，对计算机视觉与翻译都苛刻。早期手套方案之所以先天不足，正是因为把手语简化成了「手上的英语」。

8月12日，团队介绍大规模多语种手语到文本模型SL2T（sign-language-to-text），并宣布其驱动Pixel 11上Gboard与Live Transcribe中的手语转文字听写：用户可在本该打字的场景用手语搜索、起草消息与文档，或向Gemini发起任务；在Live Transcribe中可用手语回应对话。首发支持美国手语（ASL）到英语，更多设备与更多手语将随后跟进，且不额外收费。

官方披露的机制与指标口径：

1. 数据：逾10万小时、跨越50余种手语联合训练，其中约四分之一为ASL，以学习共享结构。
2. 隐私：端侧MediaPipe Holistic提取姿态关键点，仅将几何坐标送服翻译，原始视频可立即丢弃。
3. 路径：从坐标序列直接译入文本，绕开难以表达非手控标记与空间结构的中间「gloss」标注。
4. 评测：在FLEURS-ASL等基准上给出约70 BLEURT零样本分数口径，并强调流式低延迟、非手语画面幻觉抑制、左手与单手持机签名可用性。
5. 治理：成立AI手语咨询委员会，与听障社群共同发布影响报告，透明说明能力与局限。

把SL2T放进无障碍与消费硬件坐标：里程碑不在于又一篇论文，而在于首次进入可出货手机功能。对听障用户，价值是输入速度与自然度；对谷歌，则是把「人人可用」写进操作系统级入口。官方示例也承认罕见手势、快速指拼、被动句与分类器描绘等仍可能出错——首发仅ASL，不等于全球手语无障碍已完成。

下一观察点是更多手语上线节奏，以及真实通勤、嘈杂背景与多签名者场景中的误译率与用户留存——实验室分数是门票，日常对话才是验收。