DeepMindの手話翻訳モデルSL2T、Pixel 11で提供開始（ASL→英語）

2026年8月12日、Google DeepMindは自社ブログでSL2Tを公開した。手話を直接、文字テキストへ翻訳する多言語モデルだ。提供開始時に対応する言語ペアはASL→英語の一つだけで、Pixel 11シリーズのGboardの音声入力とLive Transcribeに追加費用なしで統合される。同社は、この機能が他の端末にも広がるとしている。

同社によれば、50以上の手話にまたがる10万時間超（うち約25%がASL）で学習し、ベンチマークFLEURS-ASL（sd-testスプリット）のゼロショット評価で70 BLEURTを記録した。同社はこれを「これまで報告されたどのスコアよりも大幅に高い」と表現している（出典：公式発表）。ただしこの数値は独立した評価者による再現がまだなく、BLEURTは自動評価の指標であって、実際の会話で使えるかどうかを測るテストではない。

処理は二段構えだ。端末側でMediaPipe Holisticが姿勢のキーポイント座標（顔、手、腕、上半身）を抽出し、サーバーへ送られるのはその座標列だけで、テキスト生成はSL2Tが担う。Googleは、生の映像は即座に破棄され端末の外に出ないとし、これをプライバシー保護の根拠としている（出典：公式発表）。またモデルは中間表記（「グロス」）を経由せず、直接テキストを出力する。

“Sign languages are the primary languages of Deaf communities around the world and the cornerstone of Deaf cultural identity”（「手話は世界のろう者コミュニティの第一言語であり、ろう文化のアイデンティティの礎である」）と、Google DeepMindは公式投稿で述べている。“Deaf people can benefit from sign language processing in the same way that hearing people benefit from spoken language processing”（「聴者が音声言語処理から恩恵を受けるのと同じように、ろう者も手話処理から恩恵を受けられる」）——Engadgetが伝えたGoogle DeepMindの説明だ。

Googleは限界も明記している。まれな手話表現、速い指文字、受動構文、描写的な類別詞、文脈のない時制で誤りが出ることがある。モデルは右手で手話を表す人に最適化されており、左手を使う場合は性能が10%低下する。スマートフォンを持っているときに典型的な、片手だけの手話にも対応する（出典：公式発表）。同社はろう者団体や専門家とともにAI Sign Language Advisory Committee（AISLAC）を設置し、共同でインパクト報告書に署名したとしているが、その全文が公開されているかは確認できていない。SiliconANGLEは、手話ではない動きに対する幻覚（ハルシネーション）への対策と、他の手話や手話生成モデルへ取り組みを広げる計画を伝えている。各メディアは、世界で約7000万人のろう者・難聴者と200を超える手話が存在するという潜在的な広がりに触れている（報道ベースの数字で、技術文書には記載がない）。

独立した再現可能な評価のために足りないもの： - エンドツーエンドの遅延とオフライン時の挙動（公式投稿に記載なし） - FLEURS-ASLでの70 BLEURTを再現できる評価手順とコード（現時点で第三者の裏づけなし） - 他の手話、およびPixel 11以外の端末への展開時期 - 社内評価の枠外で、ろう者ユーザーとテストを行った証拠

船出はいまのところ一つの言語ペア、一つの端末シリーズにとどまる。独立した検証はまだ存在しない。