DeepMind 手语翻译模型 SL2T 登陆 Pixel 11，首发支持 ASL→英语

2026 年 8 月 12 日，谷歌 DeepMind 在自家博客发布了 SL2T，一款把手语直接翻译成书面文字的多语言模型。首发只支持一个语言对，ASL→英语，集成在 Pixel 11 系列的 Gboard 语音输入和 Live Transcribe 中，不额外收费；谷歌表示该功能还会登陆其他设备。

公司称，模型在超过 50 种手语、总计 10 万小时以上的数据上训练（其中约 25% 为 ASL），并在 FLEURS-ASL 基准（sd-test 划分）的零样本评测中取得 70 BLEURT，自称“显著高于此前报告的任何分数”（来源：官方公告）。这一数值目前尚未被独立评测方复现，而 BLEURT 是一项自动指标，并不能说明它在真实对话中是否好用。

处理流程分两段：在设备端由 MediaPipe Holistic 提取姿态关键点坐标（面部、双手、手臂、上身），只有这串坐标序列会被送到服务器，由 SL2T 生成文本。谷歌称原始视频会被立即丢弃、不会离开设备，并以此作为保护隐私的依据（来源：官方公告）。模型跳过了中间标注（“gloss”），直接产出文字。

“Sign languages are the primary languages of Deaf communities around the world and the cornerstone of Deaf cultural identity”（“手语是全世界聋人社群的第一语言，也是聋人文化认同的基石”），谷歌 DeepMind 在官方博文中如此表述。“Deaf people can benefit from sign language processing in the same way that hearing people benefit from spoken language processing”（“聋人可以从手语处理中获益，正如听人从口语处理中获益一样”）——这是 Engadget 引述的谷歌 DeepMind 说法。

谷歌明确列出了局限：罕见手势、快速指拼、被动结构、描述性分类词以及缺乏上下文的时态，都可能出错。模型针对惯用右手打手语的人做了优化，用左手的人性能相差 10%；支持单手打手语，这正是手里拿着手机时的常见情形（来源：官方公告）。公司成立了 AI Sign Language Advisory Committee（AISLAC），成员包括聋人组织与专家，并称与其共同签署了一份影响评估报告；该文件是否全文公开，我们没有核实。SiliconANGLE 提到，模型对非手语动作设有防幻觉措施，并计划把工作扩展到其他手语以及手语生成模型。媒体提到潜在受众约为全球 7000 万聋人或听力障碍者，现存手语超过 200 种（这是媒体口径的数字，技术文档中并未出现）。

要做独立、可复现的评估，目前还缺： - 端到端延迟与离线表现（官方博文未说明） - 能复现 FLEURS-ASL 上 70 BLEURT 的评测流程与代码（该分数目前没有第三方佐证） - 其他手语以及 Pixel 11 之外机型的时间表 - 在内部评测流程之外与聋人用户进行测试的证据

这次亮相仍局限于一个语言对、一个机型系列；独立验证还没有出现。