DeepMind手语翻译模型首次进入消费级

谷歌旗下人工智能实验室DeepMind近日宣布推出一款大规模多语言手语转文本（SL2T）翻译模型，这一成果标志着手语人工智能首次进入消费级产品。得益于该模型，谷歌Pixel 11系列智能手机上的Gboard键盘和Live Transcribe应用程序已支持手语转文本输入功能，初期仅限美国手语，后续将逐步扩展至更多手语种类和更多设备。

全球约有7000万听力障碍人士使用200余种手语进行交流。手语转文本功能的落地，使他们能够享受到类似语音输入的灵活“打字替代”体验。根据谷歌方面的测试，使用美国手语进行输入比使用英语打字更快、更自然、更令人愉悦，这极大地提升了日常沟通的效率与便利性。

DeepMind强调，手语并非简单的手势序列，而是一种独立的自然语言，拥有自身独特的语法和词汇体系。因此，手语翻译不能采用逐词对应的方式，而需要真正的机器翻译。能够胜任SL2T任务的模型，必须“看懂”手语使用者在表达过程中身体多个部位的同步运动，包括手形、位置、移动轨迹、面部表情以及头部姿态等。这对计算机视觉处理能力提出了极高的要求。

在技术实现层面，Google DeepMind的SL2T模型在超过50种手语的10万小时数据上进行了训练。模型首先将手语视频转化为一系列姿势特征点的位置信息，而不是直接处理原始视频流，从而有效保护用户隐私安全——用户的视频内容无需发送到服务器端，所有关键处理均在设备端完成。同时，该模型摒弃了以往广泛使用的“中间注释”方法，直接解读空间信息，减少了信息丢失，提升了翻译的准确性和实时性。

手语转文本功能的推出，不仅是AI技术在人机交互领域的一次重要突破，也体现了技术发展对无障碍体验的深度关注。随着后续更多手语种类的接入和更多设备的适配，手语AI有望成为听力障碍群体日常沟通中不可或缺的工具，让技术真正服务于多样化的用户需求。