Google wprowadza do smartfona funkcję, która pozwala migać zamiast pisać. Model SL2T 1.0 zamienia amerykański język migowy (ASL) na angielski tekst w Gboard i Live Transcribe na Pixelu 11. To ważny krok dla dostępności, ale jego zakres jest węższy, niż sugeruje hasło „AI tłumaczy język migowy”: pierwsza wersja obsługuje jeden kierunek tłumaczenia, wymaga połączenia z serwerami Google i ma być używana wyłącznie w sytuacjach niskiego ryzyka.
Według komunikatu Google DeepMind z 12 sierpnia 2026 r. SL2T wytrenowano na ponad 100 tys. godzin materiału z ponad 50 języków migowych. Nie oznacza to jednak, że wszystkie te języki są dostępne w telefonie. Na starcie produkt tłumaczy tylko ASL na język angielski.
Najważniejsze fakty
- SL2T 1.0 działa w Gboard i Live Transcribe, początkowo na Pixelu 11.
- Telefon lokalnie zamienia obraz na współrzędne punktów ciała, twarzy i dłoni, ale samo tłumaczenie wykonuje model na serwerze.
- Google podaje wyniki 25 BLEU i 70 BLEURT na FLEURS-ASL, lecz są to pomiary producenta, a nie niezależna ocena gotowej funkcji.
- Użytkownik dostaje szkic tekstu, który może poprawić przed wysłaniem lub pokazaniem rozmówcy.
- SL2T nie jest przeznaczony do medycyny, prawa, formalnej edukacji, decyzji pracowniczych ani innych sytuacji wysokiego ryzyka.
Język migowy nie jest jeden
Istotne jest samo nazewnictwo. ASL nie jest wizualnym kodem języka angielskiego, lecz odrębnym językiem z własną gramatyką, składnią i regionalnymi odmianami. Nie jest też uniwersalnym językiem wszystkich osób Głuchych. World Federation of the Deaf wskazuje ponad 200 narodowych języków migowych oraz szacuje, że ponad 70 mln osób należy do migających społeczności Głuchych.
Dlatego dane z ponad 50 języków migowych są ważne dla treningu wspólnej reprezentacji ruchu, ale nie stanowią listy obsługiwanych języków produktu. Google zapowiada rozszerzanie funkcji, lecz według stanu na 20 sierpnia 2026 r. nie podało terminu dla polskiego języka migowego ani nawet listy języków, które pojawią się jako następne.
Jak działa SL2T 1.0
Proces zaczyna się w telefonie. MediaPipe Holistic śledzi ruch osoby przed kamerą i w każdej klatce wyznacza 130 dwuwymiarowych punktów twarzy, ciała oraz dłoni. Zamiast całego obrazu do serwera trafia sekwencja współrzędnych geometrycznych. Tam transformerowy model SL2T generuje angielski tekst autoregresyjnie, czyli kolejne fragmenty przewiduje na podstawie wcześniejszej sekwencji ruchu i już wygenerowanego tekstu.
To rozwiązanie nie jest więc w pełni lokalne. Zgodnie ze wspólnym raportem Google DeepMind i komitetu AISLAC surowe wideo jest przetwarzane i natychmiast odrzucane na urządzeniu, a serwer otrzymuje tylko punkty. Google deklaruje też, że nie zapisuje wejść ani wyników, chyba że użytkownik wyraźnie zgodzi się na udział w badaniu ewaluacyjnym.
Dla oceny prywatności ważne jest więc rozróżnienie dwóch etapów. Obraz z kamery ma pozostać w telefonie, ale opis ruchu opuszcza urządzenie i jest analizowany w chmurze. Oficjalny raport przedstawia to jako silne zabezpieczenie, nie publikuje jednak zewnętrznego audytu procesu ani technicznych szczegółów transmisji. Użytkownik nie powinien zatem mylić ograniczenia przesyłanych danych z tłumaczeniem wykonywanym całkowicie offline.
Taki format poprawia prywatność i zmniejsza ilość przesyłanych danych, ale nie jest bezstratny. Reprezentacja nie śledzi języka w ustach, nie widzi przedmiotów w otoczeniu i nie zawiera informacji o głębi. Model może więc mieć trudność z rozróżnieniem, czy dłoń dotyka obiektu, czy tylko porusza się nad nim. To ważne, ponieważ znaczenie w językach migowych przekazują nie tylko dłonie, lecz także mimika, ruch głowy, ciało i przestrzeń.
SL2T tłumaczy punkty bez pośredniej warstwy glos, czyli etykiet przypisywanych znakom. Google argumentuje, że glosy mogą gubić sygnały niemanualne i konstrukcje przestrzenne. Bezpośrednie przejście od ruchu do tekstu usuwa też sztywny słownik glos, ale przenosi ciężar na dane treningowe i zdolność modelu do właściwego odczytania kontekstu.
Ponad 100 tys. godzin danych, lecz niewiele szczegółów o modelu
Google ujawniło skalę treningu: ponad 100 tys. godzin materiału z ponad 50 języków migowych, dialektów i poziomów biegłości. Około jedna czwarta danych dotyczyła ASL. Podczas treningu stosowano m.in. odbicia lewo–prawo oraz symulowanie migania jedną ręką, aby poprawić działanie dla osób leworęcznych i użytkowników trzymających telefon drugą dłonią.
Producent nie podał jednak liczby parametrów, kosztu treningu, użytej infrastruktury ani dokładnego składu zbiorów. Nie udostępnił też wag ani publicznego API. Raport mówi jedynie o rozważaniu dostępu przez Google Cloud oraz modeli open-weight w przyszłości. Nie ma zatem podstaw, by opisywać SL2T 1.0 jako model otwarty.
Wyniki Google: obiecujące, ale nieporównywalne jeden do jednego
Raport prezentuje cztery zestawy wyników. Wszystkie pochodzą od zespołu Google. Poszczególne testy badają inne zadania i warunki, dlatego wyższa liczba w jednym wierszu nie oznacza automatycznie lepszego działania w każdej sytuacji.
| Test | BLEU | BLEURT / dokładność | Co mierzy |
|---|---|---|---|
| FLEURS-ASL (sd-test, zero-shot) | 25 | 70 BLEURT | Złożone ASL → angielski w warunkach studyjnych |
| FLEURS-ASL, miganie jedną ręką | 32 | 74 BLEURT | Fragment benchmarku wykonany jedną ręką |
| PRESTO-ASL | 67 | 85 BLEURT | Krótkie polecenia do asystenta przy tablecie |
| FSboard | — | 64% exact match | Palcowanie rejestrowane smartfonami |
FLEURS-ASL powstał z nagrań pięciu certyfikowanych Głuchych tłumaczy. Sama karta zbioru przestrzega przed wyolbrzymianiem znaczenia postępów na benchmarku. To słuszna uwaga: warunki studyjne i ograniczona liczba osób nie odwzorowują w pełni regionalnych odmian, trudnego oświetlenia, nietypowego ustawienia kamery ani rozmowy w ruchu.
Gdzie funkcja ma pomagać
W Gboard osoba migająca może przygotować zapytanie do wyszukiwarki, wiadomość, notatkę, dokument lub polecenie dla Gemini. W Live Transcribe funkcja pozwala odpowiadać tekstem w krótkiej rozmowie z osobą słyszącą. Użytkownik widzi wynik, może go poprawić i sam decyduje, kiedy tekst zostanie pokazany albo odtworzony rozmówcy.
To podejście „człowiek w pętli” ma kluczowe znaczenie. Model nie działa jako autonomiczny tłumacz, lecz jako generator szkicu. Zabezpieczenie zakłada jednak, że użytkownik zna angielski na tyle dobrze, by wykryć błąd, oraz potrafi sprawnie skorygować tekst na ekranie. Warto widzieć SL2T w szerszym kontekście funkcji AI rozwijanych w smartfonach Pixel: największą wartość daje nie sam model, ale dobrze zaprojektowana kontrola nad wynikiem.
Najważniejsze ograniczenia
W raporcie Google i AISLAC lista ograniczeń jest wyjątkowo konkretna. System może generować „ghost text”, gdy użytkownik przestaje migać albo druga osoba wchodzi w kadr. Gorzej radzi sobie z mimiką i ruchami głowy przekazującymi pytanie, negację czy nastawienie, a także z regionalnymi znakami, wieloznacznością, slangiem, nazwami własnymi i szybkim palcowaniem.
Model śledzi największą osobę w kadrze i nie obsługuje wielu migających. Każdy klip jest ograniczony do 60 sekund, a kolejne fragmenty nie współdzielą pamięci rozmowy. Nie ma personalizowanych słowników ani preferencji dialektu. Jakość spada przy słabym świetle, mocnym kontraście, nietypowym kącie kamery i częściowym wyjściu poza kadr. Formalna ocena osób z różnorodnością motoryczną jest ograniczona, a osób poniżej 18 lat nie uwzględniono w treningu ani oficjalnych testach.
Najważniejsza granica dotyczy zastosowań. Raport wyklucza opiekę medyczną, postępowania prawne i policyjne, formalną edukację i ocenę, rozmowy kwalifikacyjne i decyzje pracownicze oraz wysokiego ryzyka usługi publiczne. SL2T jest jednokierunkowy, nie potrafi poprosić o wyjaśnienie i nie ma odpowiedzialności ani kompetencji kulturowych zawodowego tłumacza. To istotne zwłaszcza tam, gdzie — podobnie jak w innych zastosowaniach AI w medycynie — błąd może zmienić decyzję dotyczącą zdrowia lub praw użytkownika.
Co naprawdę zmienia premiera SL2T
Przełom nie polega na tym, że AI „rozwiązała” tłumaczenie języków migowych. Google po raz pierwszy wprowadza jednak miganie jako zwykłą metodę wprowadzania tekstu w popularnej klawiaturze i aplikacji komunikacyjnej. Dla części użytkowników ASL może to skrócić drogę od własnego języka do wyszukiwarki, wiadomości czy dokumentu.
O powodzeniu zdecyduje nie tylko wynik BLEURT. Ważniejsze będą jakość poza warunkami studyjnymi, udział lokalnych społeczności Głuchych, przejrzyste komunikowanie błędów i odporność na zastępowanie ludzi tańszym narzędziem. Dla polskich użytkowników najważniejsze pytanie pozostaje otwarte: kiedy podobny system obejmie polski język migowy i czy zostanie oceniony wspólnie z jego użytkownikami, zamiast potraktować PJM jako prostą lokalizację ASL.
Częste pytania
Jak działa funkcja SL2T w Gboard na Pixelu 11?
Funkcja SL2T w Gboard działa poprzez zamianę ruchów migowych na tekst angielski. Proces zaczyna się w telefonie, gdzie MediaPipe Holistic śledzi ruchy osoby, a następnie współrzędne punktów ciała są przesyłane do serwera, gdzie model generuje tekst.
Czy SL2T obsługuje inne języki migowe poza ASL?
Na starcie SL2T tłumaczy tylko amerykański język migowy (ASL) na angielski tekst. Google planuje rozszerzenie funkcji na inne języki migowe, ale nie podało jeszcze szczegółów ani terminów.
Jakie są ograniczenia używania SL2T w sytuacjach codziennych?
SL2T nie jest przeznaczony do używania w sytuacjach wysokiego ryzyka, takich jak medycyna czy prawo. System może również generować błędne teksty, gdy użytkownik przestaje migać lub gdy w kadrze pojawia się inna osoba.
Czy SL2T zapewnia pełną prywatność użytkowników?
SL2T przetwarza obraz lokalnie, ale współrzędne ruchu są przesyłane do serwera. Google deklaruje, że nie zapisuje danych, chyba że użytkownik wyrazi zgodę na udział w badaniu ewaluacyjnym.
Jakie są wyniki działania modelu SL2T według Google?
Google podaje wyniki 25 BLEU i 70 BLEURT dla FLEURS-ASL, jednak są to pomiary producenta i nie stanowią niezależnej oceny funkcji. Wyniki mogą się różnić w zależności od warunków, w jakich model jest używany.
