Google DeepMind、手話翻訳AI「SL2T」発表

Google DeepMindは2026年8月19日、手話の動作を直接テキストへと翻訳する多言語AIモデル「SL2T（手話をテキストへ直接変換するAIモデル）（sign-language-to-text）」を発表しました。まずは最新スマートフォン「Pixel 11」のキーボードアプリ「Gboard」や会話補助機能「Live Transcribe」に導入され、米国手話（ASL（米国を中心に広く使われている手話言語））から英語へのテキスト変換に対応します。

カメラ生映像を破棄し骨格座標列から直接翻訳する独自アーキテクチャ

SL2Tは、手話が持つ独自の文法・語彙構造や身体全体の動的な表現を捉えるため、コンピュータービジョンと機械翻訳技術を統合した設計を採用しています。

• ​プライバシー保護に配慮したオンデバイス座標抽出​: スマートフォンカメラで捉えた映像そのものをクラウドに送信するのではなく、端末上で動作する「MediaPipe Holistic」を用いて顔・手・身体のランドマーク座標のみを抽出します。生映像はその場で破棄され、サーバーには座標データのみが送信されます。ユーザーが明示的に評価調査への参加を許可した場合を除き、ログは保持されません。
• ​グロス表記を介さないEnd-to-End翻訳​: 従来の手話研究で広く使われていた「グロス（手話単語の中間表記）」への変換工程を省き、座標列から直接自然な文章を生成します。表情や空間配置といった非手指要素の意味情報を直接学習に組み込むことで、ベンチマーク「FLEURS-ASL」のzero-shot評価においてBLEURT 70を達成しました。
• ​実利用を見据えた多言語学習と操作性​: 50以上の手話言語にまたがる10万時間超のデータ（約25%がASL）で学習し、片手での手話操作や左利きの利用者にも対応しています。

適用限界とコミュニティ連携による安全性確保

SL2Tの実用化にあたり、Google DeepMindは当事者コミュニティとともに利用範囲と限界を明確に定義しています。

項目	SL2Tの対応状況	備考・制約
対応言語	ASL（米国手話）→ 英語	日本手話（JSL）を含む他言語は今後順次拡大予定
主な用途	Gboardでの文字入力、対面会話（Live Transcribe）、Geminiへの指示	日常のメッセージや検索などの日常利用を想定
推奨されない用途	医療、法律、教育などの高リスク場面	資格を持つ人間のプロ手話通訳者の代替は不可
助言機関	AISLAC（AI Sign Language Advisory Committee）	当事者や専門家による安全性と影響の検証を継続

手話は手の動きだけでなく、舌の動きや周囲環境との位置関係など微細な情報も含むため、座標化による情報損失のリスクが残ります。そのため、誤訳が人命や権利に直結する場面での単独運用は推奨されていません。

アクセシビリティAIの新標準と今後の展開

音声入力が日常的なインターフェースとして普及したのと同様に、SL2Tは手話をスマートフォンの自然な入力手段として定着させる重要な一歩となります。

生映像を送信せずエッジで座標化するアプローチは、プライバシー保護とアクセシビリティを両立するモデルケースとして今後のマルチモーダルAI開発に大きな影響を与えるとみられます。現時点では日本手話への対応は未定ですが、多言語学習基盤の拡張が進めば、将来的に日本語環境への応用も期待されます。

引用元：ARCHETYP Inc.