手语AI翻译登陆手机：谷歌SL2T做到了什么
💡 2026年8月12日，谷歌DeepMind发布SL2T，首个内置于消费级手机的手语AI翻译模型。Pixel 11上的聋哑和听障用户可以直接向Gboard或Live Transcribe比划手语，无需打字。这是真正的首次突破，尽管目前仅支持美国手语，且对于罕见手势仍有错误。
- SL2T于2026年8月12日在谷歌Pixel 11上发布，支持美国手语（ASL）转英文实时翻译。
- 用户可直接向Gboard（发消息、搜索、查询Gemini）和Live Transcribe比划手语，无需打字。
- 模型通过MediaPipe在设备端追踪130个身体关键点，原始视频立即丢弃，保护隐私。
- 在FLEURS-ASL基准测试中获70分BLEURT，据报道为该任务最高分，但这是谷歌自报数据，尚未经独立验证。
- 诚实的注意事项：目前仅支持ASL，在罕见手势和弱光环境下仍有错误，绝不能替代医疗、法律等正式场合的认证手语翻译员。
谷歌SL2T模型究竟做了什么
数十年来，手语AI翻译主要停留在研究论文和实验室演示中。2026年8月12日，谷歌DeepMind将这项技术整合进两款日常Android应用：Gboard（键盘）和Live Transcribe（无障碍应用）。
该技术名为SL2T，即手语转文字。在Pixel 11手机上，聋哑用户举起手机，用美国手语（ASL）比划，即可看到实时显示的英文文字。用户可以编辑后像普通文本一样发送。
这是该功能首次作为标准手机功能出现，而非研究原型或专用设备。
它如何在保护隐私的同时运行？
SL2T不录制视频并上传服务器。设备端的MediaPipe Holistic将130个关键身体点（位置、角度、运动）逐帧映射为几何坐标，只有这些坐标被发送到谷歌服务器，原始视频立即丢弃。
模型随后将该坐标流直接转换为英文文字，绕过中间的词素层。词素是对每个单独手势的固定标签。早期系统依赖大型词素词典，这意味着它们无法处理词典外的手势，也无法表示ASL的空间语法或面部标记。绕过词素让SL2T直接从数据中学习。
该模型在超过50种手语的100,000小时以上视频上训练，其中约25%为ASL。谷歌表示，多语言训练实际上提高了单一ASL性能。
这对聋哑和听障人士意味着什么？
语音听写作为听力正常用户的默认手机功能已存在超过十年。聋哑和听障用户从未有过等效功能，他们一直只能打字。SL2T弥补了部分差距，至少对于使用Pixel 11的ASL用户来说。
实际使用场景正是听力正常用户视为理所当然的那些：起草消息、网络搜索、询问Gemini、记笔记。在Live Transcribe中，聋哑用户可以通过手语回应而非打字进行对话。谷歌的测试者表示，手语感觉比用英文打字更快、更自然。
全球有超过7000万聋哑和听障人士，使用约200种不同的手语进行交流。这次发布覆盖其中一种手语和一款手机型号，但它证明消费级精度已经可以实现，这对于接下来的发展至关重要。
为什么语言比技术更重要
这次发布也是对如何对待手语的一次声明。早期系统通常将ASL翻译为手势英语，逐词映射，忽略ASL自身的语法。SL2T从一开始就被构建为将ASL视为独立语言，拥有其自身的空间结构、面部标记和非线性语法。
这一区别意义重大。将英语词序强加给ASL的系统不仅性能差，还隐含地将ASL框定为英语的派生或次等形式。手语语言学家数十年来一直记录着这种张力，而将ASL视为主要语言既是治理决策，也是工程决策。
关于语言如何塑造认知的背景，可参阅关于多语言认知与大脑老化的研究，它提醒我们语言不仅是交流媒介，更是一种认知架构。
你应该了解哪些真实局限？
SL2T无法做到的事情与它能做到的事情同样重要。
- 目前仅支持ASL转英文，BSL、LSF等其他主要手语暂不支持。
- 在弱光、非正面摄像角度或签名者不是画面中最大人物时性能下降。
- 对罕见手势、快速手指拼写以及ASL中的被动结构和分类词结构存在错误。
- 每段限制60秒，段落之间无记忆功能，且未在18岁以下签名者身上训练。
- 有时在没有人比划时也会生成文字，尽管谷歌表示与发布前版本相比已有所减少。
关键是：谷歌的咨询委员会（包括美国全国聋人协会和世界聋人联合会）明确规定SL2T仅适用于低风险非正式场合：发消息、搜索、日常对话。医疗咨询、法律程序、警察互动、求职面试等正式场合均不得使用，认证翻译员在这些场合依然是法律和道德要求。
所引用的基准分数均为自报数据。截至2026年8月，尚无对已部署模型的独立学术评估发布。
接下来值得关注什么
谷歌路线图包括：添加标点和编辑命令、多人签名支持、更好的面部表情追踪，以及扩展ASL方言数据（包括目前模型表现不足的Black ASL）。最重要的开放问题是SL2T架构是否能迁移到其他手语，而不需要为每种语言再积累100,000小时数据。
若能实现，这将成为同时弥合200种手语语音听写差距的模板。若不能，SL2T仍是重要但范围有限的第一步。
常见问题
SL2T支持所有手语吗，还是仅支持美国手语？
截至发布时（2026年8月），SL2T仅支持Pixel 11上的ASL转英文。该模型在50多种手语的数据上训练，谷歌表示计划扩展，但尚未给出BSL、LSF等语言的具体时间表。
我能在任何Android手机上使用SL2T吗？
不能。发布时SL2T仅在谷歌Pixel 11上可用。谷歌表示将支持更多设备，但未指定具体机型或时间。
SL2T是否足够准确，可以替代手语翻译员？
不能，谷歌自己的咨询委员会也明确禁止这样做。SL2T设计用于非正式场合：发消息、搜索、日常对话。医疗咨询、法律程序、求职面试或任何需要认证翻译员的正式场合均不得使用。
SL2T如何保护我的隐私？
原始摄像视频在设备端立即丢弃。MediaPipe在任何数据离开手机之前，将其转换为130个几何身体关键点。只有这些坐标被谷歌服务器处理，签名者的实际视频永远不会发送给谷歌。
SL2T与早期手语AI系统有何不同？
早期系统依赖词素标签作为中间步骤，这限制了词汇量并丢失了ASL的空间语法。SL2T直接从运动坐标生成英文文字，使翻译质量能够随训练数据提升，而非依赖手工建立的词典。它还将ASL视为独立语言，而非手势英语。
来源：谷歌DeepMind博客：将手语AI带到用户手中（2026年）
关于作者
Dao Huy（卢卡斯）是一位专业翻译员，从事英语、越南语、中文和法语之间的翻译工作，在技术、法律和软件本地化领域拥有七年以上经验。他关注语言与技术交叉领域的发展，因为正如SL2T所展示的，模型对语法、词序和语言权威性的选择不仅是工程决策，更是语言政策。
如果您的企业需要英越翻译、技术文档、专利及知识产权本地化或软件界面本地化服务，欢迎访问daohuy.com获取免费报价。
Written by Dao Huy (Lucas), Vietnamese translator & localization specialist (EN · ZH · FR → Vietnamese). See translation services →