DeepMind SL2T 手语转文字随 Pixel 11 出货：手语 AI 走进手机内置功能
谷歌 DeepMind 于 2026 年 8 月 12 日宣布手语转文字模型 SL2T 随 Pixel 11 出货，进入 Gboard 听写与 Live Transcribe，不额外收费。训练数据逾 10 万小时视频、涵盖 50 多种手语，首批仅开放 ASL 转英文；采用混合式架构，原始画面即时丢弃，仅上传姿态坐标点。
谷歌 DeepMind 在 2026 年 8 月 12 日发布公告，宣布手语转文字模型 SL2T 随 Pixel 11 出货，并集成进两个已有的系统功能：Gboard 的手语听写，以及 Live Transcribe 实时转录。用户无需额外付费，也不必另行安装应用。谷歌形容这是手语 AI 第一次走出实验室、进入实际出货的消费级产品功能。
出货的到底是什么
SL2T 的训练数据超过 10 万小时视频、涵盖 50 多种手语，其中约四分之一为美国手语（ASL）。但首批实际开放的翻译方向只有一条：ASL 转英文。模型见过的语言很多，出货的只有一种，这中间的差距正是后续版本要补的功课。
形态上它不是一个独立的翻译应用，而是接进用户本来就在用的输入法与转录工具——对着摄像头比划，文字直接落进 Gboard 原本的输入框，等同于普通人的语音听写。不另开一个 App、输出仍落回原本的输入框，代价是必须开启摄像头取景并授予相机权限。
画面不离开手机：混合式架构的取舍
SL2T 采用混合式架构。设备端先由 MediaPipe Holistic 逐帧追踪面部、身体与双手上约 130 个关键点，抽成几何坐标；只有这些坐标会上传服务器完成翻译，原始画面即时丢弃。SL2T 直接把坐标序列翻成文字，跳过传统的 gloss 中介标注。
这样做同时处理两件事：手语识别必然要拍到脸（表情本身就是手语语法的一部分），改传坐标可大幅降低画面外流风险；坐标数据量也远小于视频流，更适合流式场景下的实时翻译。但必须提醒，面部与手部关键点仍属可识别的生物特征数据，上传服务器（且多半跨境）依旧构成个人信息处理，PDPA 与 GDPR 下的告知与同意义务并不因此免除。官方也未披露端到端时延与模型参数量。
70 BLEURT 这个分数该怎么看
DeepMind 表示 SL2T 在 FLEURS-ASL 基准上以 zero-shot 取得 70 BLEURT，称显著高于以往任何公开分数。这里的 zero-shot 指的是未针对该基准数据集另行微调，并非模型没学过 ASL——训练数据本来就有约四分之一是 ASL。这是厂商自报数字，截至 2026 年 8 月 12 日尚无第三方独立复现；SiliconANGLE、Engadget、Unite.AI 同日跟进报道，属于发布信息的交叉佐证，并非独立测试。真正的判准还是在现场：光线不佳的门店里、戴着手套的产线旁，它到底认不认得出来。
对管理者的意义
放进管理视角，有三件事值得记下：
- 无障碍沟通的成本结构变了。过去替听障同事配置手语翻译是排班与预算问题；当能力内置于员工自己的手机、不额外收费，问题就从“要不要编预算”变成“要不要调整流程”。
- 只开放一条翻译方向，现在还不能全押。首批开放的翻译方向只有 ASL 转英文，不含泰国手语（训练数据涵盖 50 多种手语是另一回事）。可行做法是小范围试用、记录真实错误，而不是急着写进标准作业流程。
- 数据落点要说清楚，但别当成免责。原始画面不离开设备这点值得对员工与法务讲明，然而上传的坐标点仍是个人信息，导入前仍须走完 PDPA 告知与同意流程。
一句话收拢：先小范围试、记录真实错误，再谈要不要写进制度。