O Google DeepMind anunciou o SL2T, modelo de inteligência artificial que converte a Língua de Sinais Americana (ASL) diretamente em texto. A tecnologia passou a alimentar um recurso do Gboard e do Live Transcribe disponível em toda a linha Pixel 11.
A ferramenta permite que usuários sinalizem para a câmera em espaços normalmente usados para digitação, como barras de pesquisa, mensagens, documentos e comandos para o Gemini. No Live Transcribe, uma pessoa surda pode sinalizar uma resposta em uma conversa presencial, sem precisar digitá-la enquanto aguarda a outra pessoa.
Como o sistema interpreta os sinais
O SL2T foi projetado a partir da compreensão de que a ASL é uma língua completa, com gramática própria. O significado não está apenas nas mãos: também pode ser transmitido pelos braços, tronco, cabeça e rosto. Por isso, o modelo não transforma os sinais em rótulos escritos antes de fazer a tradução.
Em vez dessa etapa, um sistema de visão computacional executado no celular acompanha 130 pontos no rosto, no corpo e nas mãos. O vídeo é convertido em um mapa de coordenadas em movimento, enquanto as imagens brutas são descartadas no próprio aparelho. Apenas as coordenadas seguem para os servidores do Google.
O treinamento utilizou mais de 100 mil horas de dados de mais de 50 línguas de sinais. Aproximadamente um quarto desse volume corresponde à ASL. O modelo também foi desenvolvido para reconhecer sinais feitos com uma só mão, situação que pode ocorrer quando a outra segura o celular, e movimentos realizados por pessoas canhotas.
A proposta surgiu com Sam Sepah, funcionário surdo do Google, que liderou o desenvolvimento. A empresa também criou um Comitê Consultivo de Língua de Sinais para IA, com organizações de pessoas surdas e especialistas, além de realizar avaliações com usuários surdos.
Limites de uso e acessibilidade
O Google e o comitê consultivo classificam o SL2T como uma ferramenta de entrada assistiva para comunicações de baixo risco. A empresa afirma que o sistema não cumpre requisitos legais de adaptações razoáveis e não foi desenvolvido para consultas médicas, processos judiciais, salas de aula, entrevistas de emprego ou audiências governamentais.
O relatório recomenda que o software não seja usado para substituir intérpretes humanos qualificados nem para evitar obrigações de acessibilidade. O modelo pode apresentar dificuldades com sinais regionais, gírias, estruturas complexas da ASL, soletração rápida com os dedos e sentidos transmitidos principalmente por expressões faciais.
Também há possibilidade de surgirem palavras que a pessoa não sinalizou, chamadas pelo Google de ghost text, quando ocorre uma pausa ou quando outra pessoa entra no enquadramento. A precisão pode cair em locais com pouca luz, quando o usuário fica parcialmente fora da imagem ou quando há pouco contraste entre mãos, rosto, roupas e fundo.
A escritora e diretora surda Chrissy Marshall destacou a diversidade interna da ASL. “A ASL não é monolítica”, afirmou. Ela citou sinais regionais, Black ASL, diferenças entre gerações, gírias, estilos de sinalização e diferenças de mobilidade como elementos que precisam ser considerados.
Marshall também questionou se os usuários precisarão adaptar a própria forma de sinalizar para serem compreendidos pelo sistema. Para ela, iluminação, enquadramento e posicionamento específicos do celular podem limitar o uso em situações espontâneas. Em ambientes formais, disse preferir um intérprete qualificado de ASL.
Participação da comunidade surda
O desenvolvimento ocorre em um contexto histórico no qual tecnologias de acessibilidade nem sempre consideraram a complexidade da língua de sinais. A ASL surgiu em uma escola em 1817, quando Thomas Hopkins Gallaudet abriu a American School for the Deaf, em Hartford, Connecticut, com Laurent Clerc, professor surdo francês.
A língua se formou pela combinação da Língua de Sinais Francesa, de sinais usados por famílias e de práticas de comunidades como Martha’s Vineyard. Ao longo do tempo, foi transmitida por escolas, clubes e famílias surdas. Em 1960, William Stokoe publicou Sign Language Structure, estudo que demonstrou que a ASL possui fonologia, morfologia e sintaxe como outras línguas naturais.
A decisão de acompanhar rosto, tronco e mãos diferencia o SL2T de propostas que observavam apenas as mãos. A equipe responsável argumenta que essa abordagem permite considerar marcadores não manuais e construções espaciais que carregam significado.
O acesso, porém, está vinculado à linha Pixel 11. Para Marshall, uma tecnologia de acessibilidade também precisa considerar o custo e a distribuição dos dispositivos. Ela reconhece que uma ferramenta imperfeita pode ser útil no cotidiano, mas alerta que instituições não devem tratá-la como suficiente quando há acesso a recursos mais adequados.
O Google descreve o sistema como uma forma de ampliar as opções de comunicação para pessoas surdas, sem apresentá-lo como substituto da interpretação humana ou das responsabilidades legais de acessibilidade.
