Modelo SL2T do Google DeepMind leva ASL para texto no Gboard e no Live Transcribe do Pixel 11

Introdução

O SL2T, novo modelo de tradução de línguas de sinais do Google DeepMind, leva ASL para texto ao Gboard e ao Live Transcribe no Pixel 11. O recurso começa com ASL para inglês, com expansão de dispositivos e línguas planejada, e coloca a tecnologia diretamente na rotina de quem prefere sinalizar em vez de digitar. (deepmind.google)

A chegada do ASL para texto em apps nativos do Android resolve um gargalo prático. Até aqui, o uso de línguas de sinais em smartphones dependia de soluções experimentais ou pouco integradas. Com o SL2T, sinalizar vira uma forma direta de pesquisar, responder mensagens e interagir com apps, inclusive em conversas ao vivo no Live Transcribe. (deepmind.google)

O artigo detalha como o SL2T funciona, que dados e benchmarks sustentam sua qualidade, o que muda para Gboard e Live Transcribe, como a privacidade foi pensada, além de implicações para negócios, produtos e políticas de acessibilidade. O foco fica no que já foi anunciado oficialmente e no que é plausível implementar a curto prazo, sem hype desnecessário.

O que chega exatamente ao usuário do Pixel 11

No Pixel 11, o Gboard ganha ditado por sinais, com ASL para texto em inglês. O Live Transcribe permite sinalizar respostas em conversas, sem precisar alternar para teclado. A integração aparece primeiro nos dispositivos Pixel 11 e evolui para mais aparelhos, seguindo a estratégia de lançar recursos de acessibilidade inicialmente no ecossistema Google. (deepmind.google)

Praticamente, isso significa abrir o Gboard, posicionar a câmera frontal e sinalizar onde normalmente se digitaria. O texto flui na caixa de entrada do app, com baixa latência e suporte a cenários móveis, como uso de uma mão só enquanto o aparelho está em outra. Testadores relatam que assinar é mais natural e rápido que digitar, principalmente para quem usa ASL como primeira língua. (deepmind.google)

Em termos de rollout, sinais de bastidores já apontavam o caminho. No meio de julho de 2026, análises de versões beta do Gboard encontraram referências a um modo Sign to Text, sugerindo captura por câmera e conversão em tempo real. Agora, o anúncio oficial confirma a chegada do ASL para texto como parte da experiência do Pixel 11. (m.ithome.com)

Como o SL2T funciona, do frame ao texto

O coração da solução é o pipeline que transforma vídeo em landmarks, depois landmarks em texto. Em vez de enviar o vídeo bruto, um modelo no dispositivo extrai landmarks de corpo, mãos e rosto, convertendo o gesto em coordenadas geométricas. Só então essas coordenadas seguem para tradução no servidor, descartando o vídeo e reduzindo o risco de exposição de imagem. Essa escolha técnica eleva a privacidade e reduz custo de processamento e rede. (deepmind.google)

A etapa de landmarks se apoia em avanços consolidados como o MediaPipe Holistic, que estima, em tempo real e no dispositivo, centenas de pontos do corpo, mãos e rosto. Esse tipo de modelo habilita aplicações que exigem percepção de movimento fino, caso das línguas de sinais, e dá a base para que a tradução aconteça com fluidez. (research.google)

Um segundo ponto importante é que o SL2T não depende de gloss, anotações intermediárias que mapeiam sinais para palavras isoladas. Em vez disso, o modelo traduz diretamente da sequência de landmarks para texto, o que ajuda a capturar fenômenos linguísticos simultâneos, como expressões faciais e marcadores não manuais, preservando a riqueza e a gramática natural das línguas de sinais. (deepmind.google)

Por fim, a operação em fluxo contínuo é essencial. O SL2T foi otimizado para baixa latência, para evitar alucinações quando não há sinais e para manter performance consistente em fatores de forma do cotidiano, como a sinalização com uma mão, situação comum quando o usuário segura o telefone na outra. (deepmind.google)

Dados de treinamento, benchmarks e por que isso importa

Qualidade de tradução de sinais depende de escala, diversidade e qualidade de dados. Segundo o Google DeepMind, o SL2T foi treinado com mais de 100 mil horas de vídeo em mais de 50 línguas de sinais, com cerca de um quarto dos dados em ASL. O treinamento multilíngue favorece transferência de aprendizado entre variantes e níveis de proficiência, superando modelos de um idioma só. (deepmind.google)

Em avaliação, o SL2T se destaca no benchmark FLEURS ASL, que testa tradução ASL para inglês com dados curados por intérpretes certificados. O modelo atinge 70 BLEURT em regime zero shot nesse conjunto, um salto relevante sobre resultados anteriores reportados publicamente. FLEURS ASL complementa a família FLORES e FLEURS, ampliando a avaliação para vídeo em línguas de sinais. (deepmind.google)

Benchmarks não contam toda a história, mas indicam direção. A combinação de escala de dados, arquitetura sem gloss e percepção corporal granular tende a generalizar melhor para produções naturais de língua de sinais, não apenas para sequências canônicas. Ainda serão necessários estudos independentes em condições reais, com diversidade de câmeras, iluminação, distâncias e variações regionais, mas os números iniciais sugerem maturidade suficiente para uso cotidiano.

Privacidade e segurança, do design à prática

Privacidade foi desenhada na base do pipeline. A câmera vê o usuário, mas o sistema no dispositivo exporta apenas coordenadas de landmarks, não imagens. O vídeo bruto é descartado, e a tradução acontece com a sequência de pontos, o que reduz drasticamente o risco de exposição involuntária de rostos, ambientes e terceiros. Para tarefas sensíveis, como comunicar informações de saúde ou financeiras, isso é um avanço prático em relação a abordagens baseadas em envio de vídeo. (deepmind.google)

Do lado de segurança, dois cuidados merecem atenção. Primeiro, robustez contra alucinações quando não há sinalização, já que o input pode incluir movimentos gerais, gestos cotidianos e enquadramentos parciais. Segundo, equidade para sinalizadores canhotos e cenários de uma mão só, comuns no uso móvel. No anúncio, a equipe destaca mitigação para ambos, reduzindo falsos positivos e preservando a compreensão em condições diversas de uso real. (deepmind.google)

Para equipes de produto, a lição é clara. Em recursos que dependem de câmera sempre ativa, privacidade por projeto não é opcional. Separar percepção visual no dispositivo de tradução no servidor cria uma fronteira técnica e jurídica mais nítida, facil de auditar, e tende a acelerar aprovações internas e externas.

O que muda para Gboard e Live Transcribe

Gboard, ao longo dos anos, virou hub de entrada multimodal, com digitação, voz, manuscrito e mais. O ASL para texto eleva a régua, porque coloca a língua nativa de milhões de pessoas como modalidade de primeira classe. No cotidiano, isso poupa alternâncias para teclados separados, reduz atrito em buscas e apps, e libera fluidez em mensagens rápidas. É a diferença entre se adaptar ao aplicativo ou o aplicativo se adaptar a você. (deepmind.google)

No Live Transcribe, a novidade fecha o ciclo da conversa. Além de transcrever fala em texto, agora o usuário pode responder sinalizando, com a tradução aparecendo em texto para a outra pessoa. Em ambientes barulhentos, em salas de aula, no trabalho e em atendimentos, isso reduz barreiras de comunicação e encurta o tempo entre intenção e compreensão. (deepmind.google)

Rumores de julho já mostravam rascunhos de interface e textos internos no Gboard beta, antecipando um modo Sign to Text com captura por câmera. A confirmação no Pixel 11 coloca a funcionalidade no mapa como produto oficial, não apenas como experimento de laboratório, com caminho claro para expansão. (m.ithome.com)

Caminho para mercados e novas línguas

A escolha por começar com ASL para texto no Pixel 11, nos Estados Unidos, é pragmática. A base de usuários com ASL é ampla, a infraestrutura de suporte está madura e o ecossistema Pixel costuma ser o palco de estreia para recursos de IA e acessibilidade. A página do Google Store para o Pixel 11 marcou o evento de 12 de agosto, que serviu de vitrine para novos recursos de software e hardware. É razoável esperar uma expansão progressiva para outros dispositivos Android e novas línguas de sinais em fases, com aprendizado contínuo a partir do uso real. (store.google.com)

Para ampliar cobertura linguística, três frentes ajudam. Primeiro, parcerias com comunidades surdas e intérpretes certificados, fundamentais para coletar dados representativos e avaliar impacto social. Segundo, curadoria de benchmarks que capturem variedade de sinais, contextos, registros e marcadores não manuais. Terceiro, infraestrutura de rotulagem e validação com governança participativa, como o comitê consultivo citado no anúncio do SL2T. (deepmind.google)

Impacto para empresas, produtos e políticas públicas

Para times de produto, o ASL para texto no Gboard vira referência de UX inclusiva. Se a sua aplicação depende de entrada de texto, a compatibilidade com o modo de sinalização deve ser tratada como critério de qualidade, não como extra. Isso inclui estados vazios e mensagens de erro acessíveis, foco de cursor previsível, e compatibilidade com campos de texto customizados.

Para equipes de dados e segurança, o modelo de landmarks muda discussões sobre retenção, consentimento e auditoria. Em setores regulados, como saúde e educação, o desenho técnico do SL2T facilita mapeamento de risco e definição de salvaguardas, já que a superfície de dados pessoais sensíveis diminui na origem. Isso não elimina responsabilidade, mas melhora o ponto de partida. (deepmind.google)

Para governos e instituições, a novidade é insumo para políticas de acessibilidade digital. Se um teclado mainstream consegue suportar ASL para texto com baixa latência e respeito à privacidade, plataformas e serviços públicos podem definir metas de adoção e integração com prazos realistas. Treinamentos de servidores e guias de UX acessível precisam incluir cenários de sinalização como entrada primária.

O que observar na adoção do ASL para texto

• Variação regional e sotaque de sinalização. Línguas de sinais variam entre regiões, idades e contextos, e o desempenho pode oscilar. Monitorar métricas reais e abrir canais de feedback com a comunidade é essencial.
• Contexto visual. Iluminação, distância da câmera, o que está no fundo e roupas influenciam a detecção de landmarks. Guias de boas práticas ajudam a reduzir erros.
• Privacidade prática. Mesmo com landmarks, é importante sinalizar ao usuário quando a câmera está ativa, como os dados fluem e como desativar o recurso. Transparência constrói confiança. (research.google)

Imagens

Para desenvolvedores e pesquisadores, por onde começar

• Estudar o stack de landmarks do MediaPipe Holistic, incluindo APIs e exemplos oficiais, para entender limitações, latências e trade offs em diferentes aparelhos. Prototipar localmente ajuda a calibrar expectativas e a escolher resoluções de frame adequadas. (developers.google.com)
• Acompanhar benchmarks públicos, como FLEURS ASL, e montar baterias internas que reflitam o seu público e os seus cenários, indo além de frases isoladas e cobrindo discurso continuado. (kaggle.com)
• Planejar avaliação contínua de equidade. Testes com sinalizadores destros e canhotos, com e sem oclusão parcial das mãos, e com variação de distância e iluminação ajudam a capturar falhas antes do lançamento amplo. (deepmind.google)

Reflexões finais

Toda grande mudança de interface acontece quando uma modalidade subaproveitada ganha o mesmo status das formas tradicionais. O ASL para texto no Gboard e no Live Transcribe dá essa virada. Não é sobre traduzir sinais para inglês apenas, é sobre reconhecer uma comunidade com língua própria e oferecer uma porta de entrada direta aos serviços digitais. (deepmind.google)

Os próximos passos passam por expandir línguas e contextos, medir impacto real e manter o diálogo com a comunidade surda. Com um pipeline que separa visão no dispositivo de tradução no servidor, benchmarks públicos e governança participativa, o SL2T estabelece uma base técnica e social sólida para evoluir. Para quem constrói produtos, a mensagem é simples. Acessibilidade inteligente não é custo, é vantagem competitiva sustentável.