将手语AI交到用户手中
Google 推出大规模多语言手语转文本模型 SL2T,首次将手语 AI 应用于消费产品(如 Gboard 和 Live Transcribe),支持美国手语转英语,后续将扩展更多语言和设备。
原贴
查看原文原文
中文翻译
将手语转文本(SL2T)——我们的突破性模型——引入为聋人和听障用户打造的新手语功能。近几十年来,AI 处理口语的能力飞速发展,让听力正常的用户可以轻松实现自动翻译、听写和对话界面。然而,这场技术革命并未触及全球 200 多种手语,以及约 7000 万使用手语的聋人和听障人士。今天,我们推出了一款大规模多语言手语转文本(SL2T)翻译模型,标志着质量和通用性的突破。借助它,我们首次将手语 AI 带出实验室,进入消费产品:SL2T 为 Pixel 11 上的 Gboard 和 Live Transcribe 提供手语转文字听写功能,首批支持美国手语(ASL)到英语。更多设备即将推出,更多语言也将跟进。就像听力正常的用户可以使用听写功能代替打字一样,这一功能让聋人用户可以在任何通常需要打字的地方通过手语与手机交流。你可以用手语搜索网页、起草消息或文档,并让 Gemini 解答问题或执行任务。在 Live Transcribe 中,你可以在对话中用手语回复,而无需来回打字。根据我们的测试者反馈,用手语打 ASL 比用英语打字更快、更自然、更愉悦。由 SL2T 驱动的手语转文字,让用户可以在任何通常需要打字的地方用手语与手机交流。
手语是全球聋人社区的主要语言,也是聋人文化身份的基石。聋人在手语、口语、阅读和写作方面的熟练程度存在巨大差异,因此支持所有模态的访问非常重要。聋人可以从手语处理中受益,就像听力正常的人从口语处理中受益一样,而且这项技术为弥合聋人与听力社区之间的沟通差距开辟了新的可能性。尽管存在这种积极的社会影响的机会,但手语 AI 的进展一直缓慢——既因为为手语构建 AI 面临复杂挑战,也因为对手语本身运作方式存在广泛误解。
与口语转录相比,手语翻译面临两大核心挑战。首先,转录语音是从声音到同语言文本的顺序映射,而手语是独立的自然语言,拥有独特的语法和词汇。因此,它们需要真正的机器翻译,而不是符号到单词的顺序转换。其次,模型必须学会“看到”并理解物理动作。手语通过手、手臂、躯干、头部和面部的同时运动来传达意义。在高帧率下准确跟踪这些动作是一项困难且计算密集的计算机视觉任务。在这种背景下,就不难理解为什么一些早期的手语技术尝试(如手语手套)从根本上受限:手语不仅仅是“手上的英语”。它们需要对细粒度全身动作进行复杂视觉感知,并进行完整的语言翻译。SL2T 的设计正是为了实现这两点。
SL2T 将手语输入视为手语者身体上的点,并将其转换为流式文本输出。来自 FLEURS-ASL 基准的示例。
我们通过结合以用户为中心、文化知情的方法和大量数据扩展来构建 SL2T。该模型在超过 10 万小时的数据上训练,涵盖 50 多种手语——其中约四分之一的数据是 ASL。在不同语言、方言和熟练程度上进行联合训练,使模型学习共享的底层结构,在我们的实验中优于单语言模型。
核心信息
Google 推出大规模多语言手语转文本模型 SL2T,首次将手语 AI 应用于消费产品(如 Gboard 和 Live Transcribe),支持美国手语转英语,后续将扩展更多语言和设备。
- Google 推出大规模多语言手语转文本模型 SL2T,首次将手语 AI 应用于消费产品(如 Gboard 和 Live Transcribe),支持美国手语转英语,后续将扩展更多语言和设备。
- 原贴提到:Introducing sign-language-to-text (SL2T), our breakthrough model powerin
- 来源:deepmind.google
详细解读
这是什么信号?Google DeepMind 发布 SL2T(手语转文本)模型,这是一个大规模多语言手语翻译系统,首次将手语 AI 集成到消费级产品中(Gboard 和 Live Transcribe)。这标志着 AI 从口语处理扩展到手语这一模态,具有重要的技术和社会意义。
为什么重要?全球有超过 200 种手语和约 7000 万聋人用户,但此前 AI 在这一领域进展缓慢。SL2T 通过 10 万小时数据、50 多种手语训练,实现了真正的机器翻译(而非简单的符号映射),并解决了全身动作捕捉的计算机视觉难题。这是 AI 包容性和通用性的重大进步。
对谁有价值?对聋人和听障人士,这是前所未有的高效沟通工具;对科技行业,它展示了多模态 AI 的落地路径;对开发者,SL2T 可能开放 API 或模型,创造新的应用场景;对无障碍倡导者,它推动技术公平。
可以怎么行动?聋人用户可关注 Pixel 11 设备上的 Gboard 和 Live Transcribe 更新;开发者应研究 SL2T 的技术报告(若有)并测试其 API 或开源模型,探索手语翻译在远程医疗、教育、客服等场景的应用;企业可在产品设计中考虑加入手语支持,提升包容性。
风险或限制目前仅支持 ASL 到英语,且依赖特定设备(Pixel 11),覆盖范围有限;手语方言和个体差异可能影响准确性;隐私问题(摄像头需要持续捕捉身体动作);此外,Transformer 模型的能耗和计算成本也是挑战。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 deepmind.google 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《将手语AI交到用户手中》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。