Co Google naprawdę wypuścił

SL2T (sign language to text) to model Google DeepMind, który przekształca jednoczesne ruchy dłoni, twarzy i ciała w języku migowym bezpośrednio w tekst pisany, bez przechodzenia przez pośrednie adnotacje typu 'gloss', które ograniczały wcześniejsze systemy badawcze. Wystartował 12 sierpnia 2026 roku w dwóch produktach konsumenckich na Pixelu 11: dyktowaniu ze znaków na tekst w Gboard oraz odpowiedziach konwersacyjnych opartych na znakach w Live Transcribe. Model wytrenowano na ponad 100 000 godzin danych migowych obejmujących ponad 50 języków migowych, z czego około jedna czwarta to amerykański język migowy (ASL), a wynik 70 punktów BLEURT w teście FLEURS-ASL Google opisuje jako zdecydowanie lepszy od każdego wcześniej opublikowanego rezultatu. Model powstał przy udziale doradczego komitetu ds. języka migowego w AI, złożonego z organizacji i specjalistów osób głuchych, a projekt zainicjował Sam Sepah, głuchy pracownik Google, zgodnie z deklarowaną zasadą budowania razem ze społecznością głuchych, a nie tylko dla niej.

Google otwarcie przyznaje, gdzie model wciąż sobie nie radzi: rzadkie znaki, szybkie literowanie palcami, bierne konstrukcje gramatyczne, przedstawienia klasyfikatorów oraz wnioskowanie czasu bez kontekstu - wszystko to znajduje się na własnej opublikowanej liście ograniczeń firmy. Ta szczerość ma znaczenie, ponieważ nie mamy do czynienia z artykułem badawczym ani wideo demonstracyjnym, lecz z pierwszym modelem tłumaczenia języka migowego wbudowanym w domyślną klawiaturę masowego telefonu, dostępnym od pierwszego dnia bez dodatkowych kosztów dla każdego posiadacza Pixela 11.

Decyzja o prywatności, której nie złapał żaden nagłówek

Na gruncie europejskiego prawa ochrony danych dane biometryczne wykorzystywane do jednoznacznej identyfikacji osoby fizycznej należą do szczególnej kategorii na mocy artykułu 9 RODO, z bardziej rygorystycznymi warunkami dotyczącymi tego, kiedy wolno je przetwarzać. Nagranie wideo twarzy i dłoni danej osoby, zarejestrowane specjalnie w celu analizy ruchów ciała, zbliża się bardzo do tej granicy. Architektura SL2T jest zbudowana tak, by trzymać się od niej wyraźnie z daleka: telefon uruchamia MediaPipe Holistic, moduł śledzenia postawy, bezpośrednio na urządzeniu, a do serwerów Google trafiają na potrzeby tłumaczenia wyłącznie wynikowe współrzędne geometryczne dłoni, twarzy i postawy ciała. Oryginalne wideo jest natychmiast usuwane na urządzeniu i nigdy nie jest przesyłane ani przechowywane.

Niezależnie od tego, czy inżynierowie Google formułowali to wewnętrznie w kategoriach RODO, jest to podręcznikowy przykład minimalizacji danych: sprowadzenie sygnału z kamery do najmniejszej abstrakcji, która nadal spełnia swoją funkcję, i odrzucenie wszystkiego innego, zanim opuści urządzenie. Każdy zespół produktowy skierowany na rynek UE, budujący funkcję dostępności, gestów lub dyktowania opartą na kamerze, ma teraz konkretny, już wdrożony przykład, do którego może się odwołać w ocenie skutków dla ochrony danych, oraz mocny argument, dlaczego to współrzędne punktów charakterystycznych, a nie surowe wideo, powinny być domyślną architekturą, a nie późniejszym dodatkiem.

Dlaczego 'tylko ASL' waży w Europie więcej, niż się wydaje

Języki migowe są narodowe i regionalne, a nie uniwersalne, i nie podążają za językiem mówionym kraju, w którym są używane. Brytyjski i amerykański język migowy to odrębne języki o innej gramatyce i w dużej mierze innym słownictwie, mimo że oba kraje posługują się angielskim. Niemcy mają DGS, Francja LSF, Włochy LIS, Polska PJM, i żaden z nich nie jest dialektem ASL ani pozostałych. Liczba podana przez Google, 'ponad 50 języków migowych, 100 000 godzin', opisuje zakres danych treningowych i bazy badawczej SL2T; funkcja, która faktycznie została wdrożona, tłumaczy wyłącznie z ASL na angielski. Oznacza to, że żaden język migowy z UE ani Wielkiej Brytanii nie jest użyteczny w tej premierze, ani pierwszego dnia, ani przez nieokreślony czas potem.

Moment wdrożenia pogłębia tę lukę. Obowiązki wynikające z Europejskiego Aktu o Dostępności stały się egzekwowalne dla wielu produktów i usług cyfrowych w państwach członkowskich od 28 czerwca 2025 roku, a krajowe organy nadzoru rynku są już uprawnione do działania na podstawie skarg. Akt nie nakazuje konkretnej funkcji klawiatury mobilnej takiej jak ta, więc jej brak sam w sobie nie stanowi naruszenia. Oznacza to jednak, że głuchy użytkownik w Warszawie, Krakowie czy Wrocławiu czyta reklamy dostępności Pixela 11 opisujące funkcję, której jego własny język migowy nie potrafi wykorzystać, dokładnie w momencie, gdy uwaga poświęcana dostępności cyfrowej w UE i Wielkiej Brytanii rośnie, a nie maleje.

Co to oznacza dla planowania wdrożeń w UE i Wielkiej Brytanii

Dla zespołów produktowych i ds. zgodności architektura oparta wyłącznie na współrzędnych to wzorzec wart skopiowania dla każdej funkcji dostępności, gestów lub dyktowania opartej na kamerze, skierowanej do użytkowników z UE lub Wielkiej Brytanii. Zawęża ona kwestię narażenia na dane biometryczne, zanim dział prawny będzie musiał na nią odpowiedzieć pod presją, i stanowi konkretny przykład, który warto przytoczyć w ocenie skutków dla ochrony danych jako minimalizację danych już na etapie projektowania, a nie dodatek wprowadzony na ostatnią chwilę dla zgodności.

Dla zespołów ds. dostępności lub zakupów oceniających właśnie tę funkcję rada jest bardziej bezpośrednia: nie planować budżetu zakładającego rychłe pojawienie się brytyjskiego języka migowego, DGS, LSF czy jakiegokolwiek innego krajowego języka migowego UE. Własna lista ograniczeń Google obiecuje jedynie 'dodatkowe języki migowe' bez podania daty, a przyjęta przez firmę kolejność, najpierw ASL, a wszystko inne opisane jako coś, co nastąpi później, sugeruje, że wsparcie dla UE i Wielkiej Brytanii to druga fala wdrożenia mierzona w kwartałach, a nie w tygodniach. Doradzając klientowi w sprawie zakupu urządzeń dla głuchych pracowników lub klientów, warto traktować reklamę dostępności Pixela 11 i funkcję rzeczywiście wdrożoną na danym rynku jako dwie różne rzeczy.

Czytaj dalej: Dziewięć z 10 najlepszych modeli wideo AI jest już chińskich  |  Otwarta AI daje cyklonom dodatkowy dzień ostrzeżenia