Google DeepMind lançou SL2T (sign-language-to-text) em 12 de agosto de 2026, integrada ao Gboard e Live Transcribe no Pixel 11—a primeira IA de linguagem de sinais em um produto de consumo mainstream. O modelo traduz American Sign Language para inglês em tempo real em qualquer campo de texto: pesquisa web, mensagens, Gemini, Live Transcribe. Pixel 11 será lançado em 20 de agosto sem custo adicional. Mercado potencial: 70 milhões de pessoas surdas e com deficiência auditiva globalmente, 200+ idiomas de sinais, nenhum dos quais tinha um equivalente de ditado por voz até agora.
A arquitetura usa um pipeline de dois estágios com uma limite clara entre dispositivo e servidor. Estágio um executa completamente no dispositivo: MediaPipe Holistic extrai 130 coordenadas de ponto de referência geométrico em tempo real no rosto, mãos, braços e tronco. O vídeo bruto é descartado no dispositivo—nunca sai do telefone. Estágio dois transmite apenas a sequência de coordenadas leve para os servidores do Google, onde SL2T gera texto em inglês em fluxo. Enviar coordenadas em vez de vídeo reduz a largura de banda e elimina a principal objeção de privacidade à entrada baseada em câmera.
SL2T elimina a camada gloss que dominou pipelines anteriores de linguagem de sinais. Sistemas gloss produziram tokens intermediários por-sinal antes de gerar texto; DeepMind argumenta que glosses perdem marcadores não-manuais (expressões faciais, movimentos de boca, gramática espacial) e limitam o vocabulário aos sinais marcados. SL2T mapeia os pontos de referência diretamente para texto—o movimento que mudou RM de linguagem falada de tabelas de frases para sequence-to-sequence neural. A qualidade da tradução agora escala com dados, não com vocabulário de anotação fixa.
Corpus de treinamento: 100.000+ horas em 50+ idiomas de sinais, aproximadamente 25% em ASL. O treinamento multilíngue conjunto foi deliberado—o modelo aprende prioridades estruturais entre idiomas. DeepMind relata que supera os baselines monolíngues em testes internos. Em FLEURS-ASL (sd-test), SL2T atinge 70 BLEURT zero-shot, significativamente superior a qualquer resultado publicado. Zero-shot importa: o modelo generaliza sem ajuste fino específico da tarefa.
A preparação para produção foi além da otimização de benchmark. DeepMind abordou: latência de fluxo (ajustada mas não divulgada); alucinação quando a câmera vê movimento sem sinais; reconhecimento de sinalizador canhoto (10% dos sinalizadores); precisão com uma mão, inevitável em um telefone onde a outra mão segura o dispositivo. Nenhum aparece em FLEURS-ASL. Eles são a lacuna entre benchmark e implantação.
No lançamento, o modelo funciona apenas com ASL para inglês. Ele tem dificuldade com sinais raros e soletração rápida em dedos. Google não divulgou taxas de erro por demografia do sinalizador além dos casos canhoto e com uma mão. DeepMind montou um Comitê Consultivo de IA de Linguagem de Sinais (AISLAC) de organizações de Surdos e publicou um relatório de impacto listando contextos proibidos: saúde, legal/aplicação da lei, avaliação acadêmica, entrevistas de emprego, audiências governamentais. O modelo não é um substituto para intérpretes humanos certificados.
SL2T é um pipeline de inferência dividida funcional para entrada de postura corporal. A decisão de descartar vídeo bruto na limite do dispositivo troca a gravação original por uma superfície de conformidade mais leve—a escolha de design com a maior consequência. Veja se a extração de ponto de referência no dispositivo se torna o piso de latência quando Google se expande para hardware Android de nível inferior além do Pixel 11.