SL2T, tłumacz ASL→angielski od DeepMind, debiutuje w Pixelach 11

12 sierpnia 2026 roku Google DeepMind przedstawił na swoim blogu SL2T — wielojęzyczny model, który tłumaczy język migowy bezpośrednio na tekst pisany. Na start obsługiwana jest tylko jedna para, ASL→angielski, wbudowana w dyktowanie w Gboard i w Live Transcribe w rodzinie Pixel 11, bez dodatkowych opłat; Google zapewnia, że funkcja trafi także na inne urządzenia.

Firma podaje trening na ponad 100 000 godzin w ponad 50 językach migowych (około 25% w ASL) oraz wynik 70 BLEURT na benchmarku FLEURS-ASL (split sd-test) w ocenie zero-shot, który określa jako „znacząco wyższy niż jakikolwiek wcześniej raportowany wynik” (źródło: oficjalna zapowiedź). Wartość ta nie została jeszcze powtórzona przez niezależnych ewaluatorów, a BLEURT to metryka automatyczna, nie test użycia w prawdziwej rozmowie.

Potok działania ma dwa etapy: na urządzeniu MediaPipe Holistic wyodrębnia współrzędne punktów pozy (twarz, dłonie, ramiona, tułów) i tylko ta sekwencja trafia na serwery, gdzie SL2T generuje tekst; Google twierdzi, że surowe wideo jest natychmiast odrzucane i nie opuszcza urządzenia — tym uzasadnia ochronę prywatności (źródło: oficjalna zapowiedź). Model pomija pośrednie adnotacje („gloss”) i od razu tworzy tekst.

„Sign languages are the primary languages of Deaf communities around the world and the cornerstone of Deaf cultural identity” („Języki migowe są pierwszymi językami społeczności Głuchych na świecie i fundamentem głuchej tożsamości kulturowej”) — oświadcza Google DeepMind w oficjalnym wpisie. „Deaf people can benefit from sign language processing in the same way that hearing people benefit from spoken language processing” („Osoby głuche mogą korzystać z przetwarzania języka migowego tak samo, jak osoby słyszące korzystają z przetwarzania mowy”) — wypowiedź Google DeepMind przytoczona przez Engadget.

Google wprost wymienia ograniczenia: sporadyczne błędy przy rzadkich znakach, szybkim alfabecie palcowym, konstrukcjach biernych, klasyfikatorach opisowych i czasach gramatycznych bez kontekstu. Model jest zoptymalizowany pod osoby migające prawą ręką, z 10-procentową różnicą skuteczności u osób leworęcznych; obsługuje miganie jedną ręką, typową sytuację kogoś, kto trzyma telefon (źródło: oficjalna zapowiedź). Firma powołała AI Sign Language Advisory Committee (AISLAC) z organizacjami osób głuchych i ekspertami oraz informuje, że wspólnie z nimi podpisała raport o wpływie; nie zweryfikowaliśmy, czy dokument opublikowano w całości. SiliconANGLE opisuje zabezpieczenia przed halucynacjami przy ruchach, które nie są znakami, oraz plany rozszerzenia prac na inne języki migowe i na modele generujące język migowy. Media przypominają o potencjalnej publiczności około 70 milionów osób głuchych lub niedosłyszących na świecie i ponad 200 istniejących językach migowych (dane dziennikarskie, nieobecne w dokumentacji technicznej).

Czego brakuje do niezależnej i powtarzalnej oceny: - Opóźnienia end-to-end i zachowania offline (nie podano w oficjalnym wpisie) - Protokołów i kodu ewaluacji pozwalających powtórzyć 70 BLEURT na FLEURS-ASL (wynik na razie niepotwierdzony przez osoby trzecie) - Harmonogramu dla innych języków migowych i dla urządzeń poza Pixel 11 - Dowodów na testy z głuchymi użytkownikami poza wewnętrzną ścieżką ewaluacji

Debiut pozostaje ograniczony do jednej pary językowej i jednej rodziny urządzeń; niezależnych weryfikacji na razie nie ma.