Google DeepMind 发布 SL2T 模型，手语转文本功能落地 Pixel 11 机型

Google DeepMind 全新研发的 SL2T 手语转文本模型正式走出实验室，原生搭载在 Pixel 11 手机当中，实现美国手语实时转英文文字，这项能力直接嵌入 Gboard 键盘与 Live Transcribe 实时转录两大系统工具，让手语使用者可以像普通人语音输入一样，对着前置摄像头做手势就能生成文字，覆盖聊天打字、网页搜索、文档编辑、Gemini 指令输入等全部文字输入场景。这项落地成果能够落地，依靠 SL2T 独创的端侧 + 云端混合计算架构，搭配海量多语种手语训练数据集，同时全程做好用户影像隐私保护；想要正常启用这项功能，需要先在 Gboard 工具栏开启手语输入入口，保证手机前置摄像头正常调用，同时保持网络通畅来完成云端文本转换；只要完成全部设置，就能实现连贯手势的流式文字输出，大幅降低手语使用者的文字输入门槛。下面从 SL2T 模型核心技术架构、Pixel 11 端侧运行流程、两大应用入口使用方法、模型性能指标、隐私安全设计、后续迭代规划六个板块做完整拆解。

一、SL2T 模型核心技术架构

1. 模型底层设计创新

传统手语识别方案都需要先把手语手势翻译成文字标注（gloss），再转为自然语句，中间环节会丢失面部表情、肢体动作等非手动语义信息；SL2T 直接跳过中间标注环节，把肢体坐标序列直接转换成完整文本，完整保留手语自带的语法与空间语义，大幅提升翻译流畅度。

2. 训练数据集规模

模型训练素材总量达到 10 万小时视频素材，覆盖全球 50 余种手语语种，其中美国手语（ASL）数据占比达到四分之一；多语种联合训练让模型掌握手语共通的动作结构，相比单语种模型识别精度实现跨越式提升。

3. 核心性能基准

在 FLEURS-ASL 权威测试基准下，SL2T 零样本测试得分达到 70 BLEURT，远超传统学术模型 37.2 的基线成绩，同时兼容单手、双手两种手语姿势，支持左利手用户正常使用，不会出现识别偏差。

二、Pixel 11 端侧完整运行流程

整套流程分为端侧本地处理与云端翻译两段，原始视频全程不会离开本机设备：

1. 摄像头采集画面，交给本地 MediaPipe Holistic 视觉模型运行；
2. 模型从每一帧画面提取出全身 130 个关键点坐标，形成数字骨架数据；
3. 手机自动删除原始视频画面，仅把坐标数值序列上传至谷歌云端服务器；
4. 云端 SL2T Transformer 模型读取坐标数据流，实时生成流式英文文本；
5. 文字结果回传到 Pixel 11，直接展示在 Gboard 输入框或者 Live Transcribe 界面中。

三、Pixel 11 两大功能入口操作步骤

入口 1：Gboard 键盘手语文字输入（全场景打字）

1. 打开手机设置，将 Gboard 更新至最新版本，把键盘语种切换为美式英语；
2. 点开 Gboard 工具栏，找到手语转文本图标，点击开启调用前置摄像头；
3. 对着手机镜头打出连续手语动作，屏幕会实时生成英文文字；
4. 生成内容可以直接发送消息、填写搜索框、撰写文档或者向 Gemini 下达指令。

入口 2：Live Transcribe 实时转录（面对面对话场景）

1. 打开 Live Transcribe 应用，开启语音转文字，把对方说话内容转为字幕；
2. 开启手语输入开关，自己对着镜头打手语，手语内容会同步生成文字回复；
3. 双方对话全程以文字字幕交互，不用手动打字回复，适配线下一对一沟通场景。

四、功能适配与硬件适配范围

1. 首发机型：仅 Pixel 11 全系列机型原生支持，其他安卓机型暂未开放适配；
2. 首发语种：仅支持美国手语（ASL）转为英文文本，其他手语语种会在后续版本逐步开放；
3. 运行条件：需要稳定网络连接，纯离线模式下暂时无法完成云端翻译计算；
4. 手势兼容：同时支持单手手势、双手手势，兼容左利手、右利手不同使用习惯。

五、全链路隐私安全设计

1. 原始视频画面只在 Pixel 11 本机处理，处理完成立刻自动删除，原始视频不会上传云端；
2. 只有肢体关键点坐标这类纯数值数据才会传输到服务器，不存在人脸影像泄露风险；
3. 系统不会自动留存手势输入记录，只有用户主动参与模型优化项目时，才会选择性保存数据；
4. 所有传输数据全程加密，严格遵守移动端隐私规范，保障手语使用者的信息安全。

六、产品后续迭代规划

1. 设备拓展：后续会把 SL2T 手语转文本能力逐步开放到更多 Pixel 机型与主流 Android 设备；
2. 语种扩充：在完成美国手语落地之后，陆续增加其他地区手语语种，扩充语言覆盖范围；
3. 离线优化：持续优化模型体积，未来逐步实现部分手势识别在本机离线完成，降低网络依赖；
4. 场景拓展：把手语输入能力拓展到更多系统应用，覆盖视频通话实时字幕、线下无障碍沟通等场景。

【相关 FAQ】

问题 1：Google DeepMind 推出的 SL2T 手语转文本功能，在 Pixel 11 上可以在哪些软件里使用？

回答 1：SL2T 手语转文本能力在 Pixel 11 上主要嵌入 Gboard 键盘和 Live Transcribe 两大工具；在 Gboard 里，所有文字输入框都可以调用手语输入，包括聊天软件、搜索页面、文档、Gemini 指令输入；在 Live Transcribe 中可以把手语直接转换成文字，用来在线下对话里给出文字回复，覆盖绝大多数日常文字交互场景。

问题 2：Pixel 11 搭载的 SL2T 手语转文本，会把拍摄的视频上传到网络吗？

回答 2：不会上传原始视频文件。Pixel 11 会在本机通过 MediaPipe 模型把手势画面转换成 130 个身体关键点坐标，原始视频会直接在手机内删除，只有纯数字坐标数据才会上传到云端完成翻译，全程不会向外传输人像视频，充分保护用户隐私。

问题 3：SL2T 手语转文本模型相比过去手语识别技术，核心优势是什么？

回答 3：传统手语识别需要先把手势转换成文字标注，再拼接成句子，很容易丢失面部表情、肢体动作带来的语义；SL2T 直接从肢体坐标序列翻译为完整文本，跳过中间标注环节，保留手语独有的语法信息；同时模型基于 50 多种手语的海量数据联合训练，识别精度远超单语种模型，在权威测试中成绩大幅领先传统方案。

问题 4：除了 Pixel 11 之外，其他手机现在能不能使用 SL2T 手语转文本功能？

回答 4：现阶段 SL2T 手语转文本仅在 Pixel 11 机型原生落地，其他安卓手机暂时没有开放适配计划；后续谷歌会逐步把这项能力拓展到更多 Pixel 机型与主流安卓设备，同时持续扩充支持的手语语种，进一步扩大无障碍覆盖范围。

问题 5：使用 Pixel 11 的 SL2T 手语转文本，左右手手势都能正常识别吗？

回答 5：可以正常识别。SL2T 模型在训练阶段就加入了左利手手语素材，同时兼容单手手势与双手手势，不管是左手打手语还是右手打手语，都可以稳定识别并转换成文字，不会出现手势识别失效的问题。

【参考资料】

[2026-10-15] Google SL2T 手语输入法后续机型与语种更新计划 TechLab

[2026-09-25] Pixel 11 手语转文本功能使用细节解读 aivancity.ai

[2026-08-21] Pixel 11 手语转文本开启教程 The Keyword（谷歌官方博客）

[2026-08-13] Pixel 11 搭载 SL2T 实现手语转文字 Notebookcheck 中文版

[2026-08-12] DeepMind 发布 SL2T 手语转文本模型技术白皮书 Google DeepMind 官网

免责声明：

本文仅整理 Google DeepMind SL2T 模型与 Pixel 11 手语转文本功能的公开技术资料与产品信息，仅作为技术研究与功能使用参考；功能支持语种、机型适配范围、离线能力会跟随官方版本迭代持续更新；该手语转文本工具仅适用于日常非正式沟通场景，不能替代专业手语翻译人员；本文不承担功能识别误差、设备适配变动带来的相关责任。