资讯概览
Google DeepMind 公布手语转文字模型 SL2T，希望把语音识别已经带给听力用户的输入、翻译与对话便利扩展到手语使用者。手语并不是把口语逐字换成动作，而是拥有独立语法、空间结构、面部表情和地区差异的完整语言体系。世界上存在两百多种手语，用户规模约数千万，因此过去只针对单一手语、受控背景或有限词汇训练的系统很难直接覆盖真实生活。此次研究强调大规模多语言能力，并开始把技术转化为面向用户的手机功能。
技术细节
系统需要同时理解手形、手臂运动、身体姿态、面部表情以及动作在时间上的连续关系，还必须应对拍摄角度、光照、遮挡、左右手习惯和不同签法。与普通视频分类不同，手语翻译需要在视觉序列与自然语言之间建立上下文对应，错误不仅可能改变单词，还可能改变句子语气或指代。DeepMind介绍的方向包括将模型用于移动端输入体验，使用户能够通过摄像头完成更自然的文字表达，但实际效果仍会受到设备性能、网络、语言覆盖和数据代表性的影响。
行业影响
如果技术成熟，它的价值不只是增加一个输入法，而是降低教育、客服、医疗预约、公共服务和跨语言沟通的门槛。与此同时，手语视频属于高度可识别的生物与行为数据，采集、存储和训练都必须获得明确同意。模型也不能替代专业手语翻译员，尤其在医疗、法律和紧急场景中，一次误译可能造成严重后果。产品设计应让用户清楚知道何时由 AI 翻译、能否查看原始视频、数据是否上传以及如何纠正结果。
阅读与使用建议
普通用户可关注实际支持的手语种类和地区，而不要把“多语言”理解为已经覆盖所有方言。机构试用时应邀请当地聋人社群参与测试，分别评估日常对话、专有名词、连续长句和多人场景。上线前还需要设置人工协助入口、隐私保存期限与错误反馈机制。本文基于 Google DeepMind 官方研究介绍整理，具体开放范围、设备支持和准确率应以产品正式上线说明为准。