Google DeepMind发布多语言手语转文本模型，率先接入Pixel 11

Google DeepMind在2026年8月12日发布手语转文本模型SL2T，并宣布将其用于面向聋人及听障用户的新功能。根据该公司当天发布的官方介绍，SL2T已为Pixel 11上的Gboard和Live Transcribe提供手语转文字能力，初始支持范围为美国手语（ASL）到英文。

在Gboard中，用户可以通过手机摄像头打手语，由模型生成流式文本，用于网页搜索、撰写消息或文档，以及向Gemini提交问题或任务。在Live Transcribe中，用户可以用手语生成文字回复，减少交谈过程中反复键入文字的需要。Google称，参与测试的用户认为，以美国手语表达比输入英文更快、更自然；这一说法来自公司测试反馈，官方页面没有提供独立研究结果或量化对照数据。

Google表示，全球有超过200种手语，约7000万聋人和听障人士使用这些语言。手语并不是口语或书面语的逐词替换系统，而是具有独立语法和词汇的自然语言。因此，相关模型需要完成语言翻译，而非把单个手势依次对应为英文单词。

技术上的另一项难点来自视觉处理。手语意义由手、手臂、躯干、头部和面部的同步动作共同传递，模型需要以较高帧率识别细微的全身运动。官方展示显示，SL2T会把签名者的身体动作转换为关键点表示，再输出连续文本。Google据此指出，只感知手部动作的手语手套等早期方案无法覆盖完整的语言信息。

据Google披露，SL2T使用超过10万小时、覆盖50多种手语的数据训练。公司将其描述为大规模多语言模型，但首批消费者功能并未同时开放全部训练语言：目前官方明确确认的产品能力仍是Pixel 11上的美国手语转英文。Google表示，更多设备将很快加入，其他语言也会随后推出，但没有在该页面给出具体设备名单、语言清单或上线时间表。

此次发布的直接意义在于，Google把手语识别从研究展示接入了Gboard和Live Transcribe两个消费者功能，并允许生成的文字继续用于Gemini交互。不过，官方材料没有证明这些功能已在Pixel 11用户中形成广泛采用，也没有披露识别准确率、不同场景表现、商业结果或长期无障碍影响。现阶段可以确认的是产品范围和技术路线，实际覆盖程度仍需等待后续设备、语言支持及公开评估。