DeepMind SL2T 手語轉文字隨 Pixel 11 出貨：手語 AI 走進手機內建功能
Google DeepMind 於 2026 年 8 月 12 日宣布手語轉文字模型 SL2T 隨 Pixel 11 出貨，進入 Gboard 聽寫與 Live Transcribe，不額外收費。訓練資料逾 10 萬小時影片、涵蓋 50 多種手語，首波僅開放 ASL 轉英文；採混合式架構，原始影像即時丟棄，僅上傳姿態座標點。
Google DeepMind 在 2026 年 8 月 12 日發布公告，宣布手語轉文字模型 SL2T 隨 Pixel 11 出貨，並整合進兩個既有系統功能：Gboard 的手語聽寫，以及 Live Transcribe 即時轉錄。使用者不需額外付費，也不必另外安裝應用程式。Google 形容這是手語 AI 第一次走出實驗室、進入實際出貨的消費性產品功能。
出貨的到底是什麼
SL2T 的訓練資料超過 10 萬小時影片、涵蓋 50 多種手語，其中約四分之一為美國手語（ASL）。但首波實際開放的翻譯方向只有一條：ASL 轉英文。模型看過的語言很多，出貨的只有一種，這中間的差距正是後續版本要補的功課。
形態上它不是一支獨立的翻譯 App，而是接進使用者本來就在用的輸入法與轉錄工具——對著鏡頭比劃，文字直接落進 Gboard 原本的輸入框，等同一般人的語音聽寫。不另開一支 App、輸出仍落回原本的輸入框，代價是必須開啟相機取景並授予相機權限。
影像不離開手機：混合式架構的取捨
SL2T 採混合式架構。裝置端先由 MediaPipe Holistic 逐格追蹤臉部、身體與雙手上約 130 個關鍵點，抽成幾何座標；只有這些座標會上傳伺服器完成翻譯，原始影像即時丟棄。SL2T 直接把座標序列翻成文字，跳過傳統的 gloss 中介標註。
這樣做同時處理兩件事：手語辨識必然要拍到臉（表情本身就是手語文法的一部分），改傳座標可大幅降低影像外流風險；座標資料量也遠小於影像串流，較適合串流情境下的即時翻譯。但必須提醒，臉部與手部關鍵點仍屬可識別的生物特徵資料，上傳伺服器（且多半跨境）依舊構成個資處理，PDPA 與 GDPR 下的告知與同意義務並不因此免除。官方也未揭露端到端延遲與模型參數量。
70 BLEURT 這個分數該怎麼看
DeepMind 表示 SL2T 在 FLEURS-ASL 基準上以 zero-shot 取得 70 BLEURT，稱顯著高於過往任何公開分數。這裡的 zero-shot 指的是未針對該基準資料集另行微調，並非模型沒學過 ASL——訓練資料本來就有約四分之一是 ASL。這是廠商自報數字，截至 2026 年 8 月 12 日尚無第三方獨立複現；SiliconANGLE、Engadget、Unite.AI 同日跟進報導，屬於發布訊息的交叉佐證，並非獨立測試。真正的判準還是在現場：光線不佳的門市裡、戴著手套的產線旁，它到底認不認得出來。
對管理者的意義
放進管理視角，有三件事值得記下：
- 無障礙溝通的成本結構變了。過去替聽障同仁配置手語翻譯是排班與預算問題；當能力內建於員工自己的手機、不額外收費，問題就從「要不要編預算」變成「要不要調整流程」。
- 只開放一條翻譯方向，現在還不能全押。首波開放的翻譯方向只有 ASL 轉英文，不含泰國手語（訓練資料涵蓋 50 多種手語是另一回事）。可行做法是小範圍試用、記錄真實錯誤，而不是急著寫進標準作業流程。
- 資料落點要說清楚，但別當成免責。原始影像不離開裝置這點值得對員工與法務講明，然而上傳的座標點仍是個資，導入前仍須走完 PDPA 告知與同意流程。
一句話收攏：先小範圍試、記錄真實錯誤，再談要不要寫進制度。