Sign-Language-to-Text (SL2T)

Sign-Language-to-Text (SL2T) to model tłumaczenia maszynowego opracowany przez zespół Sign Language w Google DeepMind. Pierwsza wersja, SL2T 1.0, została ujawniona 12 sierpnia 2026 roku i tłumaczy amerykański język migowy (ASL) na tekst w języku angielskim.

Model jest siecią opartą na architekturze transformer, która warunkuje się na sekwencji ruchów osoby migającej i generuje tłumaczenie tekstowe autoregresywnie. Wejściem nie jest surowy obraz z kamery, lecz sekwencja współrzędnych 130 punktów kluczowych (pose landmarks) twarzy, dłoni i ciała, wyodrębnianych klatka po klatce za pomocą MediaPipe Holistic. Model był trenowany na ponad 100 000 godzin nagrań w ponad 50 językach migowych, z czego około jedna czwarta danych dotyczyła ASL.

Wdrożenie i prywatność

Przetwarzanie wideo odbywa się na urządzeniu użytkownika, po czym nagranie jest natychmiast usuwane — na serwery Google trafia wyłącznie abstrakcyjna reprezentacja punktów kluczowych. Model działa w trybie hybrydowym: detekcja pozy na urządzeniu i tłumaczenie po stronie serwera. SL2T 1.0 jest dostępny początkowo na telefonach Pixel 11 w aplikacjach Gboard (dyktowanie tekstu) i Live Transcribe (odpowiedzi w rozmowie) i jest obecnie bezpłatny.

Nadzór (AISLAC)

Wdrożenie jest nadzorowane przez AI Sign Language Advisory Committee (AISLAC) — komitet doradczy zwołany przez Google, skupiający organizacje społeczności Głuchych, instytucje akademickie i tłumaczy (m.in. National Association of the Deaf, RIT/NTID, DPAN i World Federation of the Deaf). Zespół Google DeepMind i AISLAC współtworzyli „Joint Impact Report for SL2T 1.0", opisujący możliwości i ograniczenia modelu. Zastosowania wysokiego ryzyka (medyczne, prawne, akademickie oraz rozmowy wieloosobowe) są wyraźnie poza zakresem tej wersji.