Google DeepMind ha publicado SL2T, un modelo multilingüe que traduce lengua de signos a texto y ya está funcionando dentro de Gboard y Live Transcribe en el Pixel 11. Marca 70 BLEURT en zero-shot sobre el benchmark FLEURS-ASL, la puntuación más alta reportada hasta ahora en traducción de lengua de signos. Se entrenó con más de 100.000 horas de vídeo de más de 50 lenguas de signos.
Puntos clave
- SL2T pasa de signos a texto escrito, saltándose los "glosses" intermedios que usaban los sistemas anteriores.
- 70 BLEURT en zero-shot sobre FLEURS-ASL, por encima de cualquier resultado publicado antes.
- Corpus de entrenamiento de más de 100.000 horas y más de 50 lenguas de signos, con un 25% aproximado en lengua de signos americana.
- Disponible desde el 12 de agosto de 2026 en el Pixel 11, sin coste adicional, con más dispositivos después.
Cómo funciona sin mandar vídeo a la nube
La parte más interesante del diseño es de privacidad, no de precisión. El móvil no sube la grabación a ningún servidor. MediaPipe Holistic corre en el dispositivo y extrae los puntos de referencia de la pose corporal: coordenadas de manos, brazos, torso y cara. Lo que sale del teléfono son esas coordenadas, no las imágenes.
El modelo traduce directamente la secuencia de coordenadas a texto, y lo devuelve en streaming según va signando la persona.
El salto técnico está en eliminar el paso intermedio. Los sistemas clásicos de traducción de lengua de signos convertían primero el vídeo en "glosses", una notación escrita de cada signo, y de ahí a lengua natural. Ese doble salto perdía información en cada tramo. SL2T va directo.
Trabajar sobre pose completa, y no solo sobre manos, importa porque la lengua de signos no está solo en las manos. La expresión facial, la posición del torso y la dirección de la mirada cambian el significado. Un modelo que solo mire los dedos se pierde la gramática.
Un corpus de 100.000 horas y un comité que decide
Las cifras de entrenamiento explican por qué el zero-shot funciona. Más de 100.000 horas repartidas en más de 50 lenguas de signos, de las cuales alrededor de una cuarta parte son lengua de signos americana. El resto da la base multilingüe que permite que el modelo generalice a lenguas que no ha visto en detalle.
Google montó además el AI Sign Language Advisory Committee (AISLAC), que junta a organizaciones de personas sordas de varios países y a expertos, con un modelo de gobernanza participativa. Publicaron un informe de impacto coescrito con esos socios.
Eso no es decoración. La comunidad sorda lleva años quejándose de proyectos de traducción automática de signos hechos sin ella, que acaban produciendo avatares que nadie entiende. Meter a las organizaciones en el diseño es la diferencia entre una demo de feria y algo que se use.
Qué llega hoy y qué no
Dos funciones. Gboard incorpora dictado por signos: se signa y aparece texto en el teclado, en cualquier aplicación. Y Live Transcribe, que hasta ahora transcribía voz a texto para que una persona sorda leyera lo que le decían, gana el camino de vuelta: la respuesta signada también se convierte en texto.
De momento solo va de lengua de signos americana a inglés, y solo en el Pixel 11. Google dice que ampliará a más lenguas y más dispositivos sin dar fechas. Para el mercado español eso significa que la lengua de signos española no está todavía.
Por qué importa
Aquí hay un patrón que vale la pena mirar más allá del caso concreto. Google ha resuelto un problema de accesibilidad reduciendo la entrada de datos a coordenadas y procesándolas en local. Ese diseño, pose en el dispositivo y modelo en la nube trabajando sobre puntos y no sobre imágenes, sirve para cualquier caso donde el vídeo sea sensible.
Control de calidad en una línea de producción, revisión de gestos en un almacén, seguimiento de postura en un puesto de trabajo. Todos comparten el mismo problema legal: grabar a empleados es un campo de minas con el RGPD. Extraer la pose en el dispositivo y mandar solo coordenadas cambia bastante esa conversación con el delegado de protección de datos.
Y para las empresas con empleados sordos, el dictado por signos en Gboard es la primera vez que la entrada de texto en un móvil corporativo no pasa obligatoriamente por teclear.
Relacionado
