Lo nuevo
Hay más de 200 idiomas de signos en el mundo, y para aproximadamente 70 millones de personas sordas y duras de escuchar, sirven como el principal medio de comunicación. Hasta hace poco, la inteligencia artificial apenas se utilizó para traducir estos idiomas en productos cotidianos. Google DeepMind decidió arreglar esto: el nuevo modelo SL2T (idioma a texto) traduce el lenguaje de signos en texto y ya está siendo integrado en aplicaciones familiares.
Los usuarios podrán "dictar" con gestos en lugar de escribir en un teclado. La función está saliendo en Gboard y la aplicación Live Transcribe captioning en los teléfonos inteligentes Pixel 11 — el primer emparejamiento será American Sign Language (ASL) e inglés. Más idiomas y dispositivos se prometen más tarde.
¿Qué significa esto en la práctica? Usted puede buscar la web con gestos, componer mensajes o documentos, e incluso hablar con la Gemini asistente. En Live Transcribe podrás responder con gestos justo en medio de una conversación, sin cambiar al chat de texto. Según testers, este tipo de comunicación es más rápido y más natural que escribir en inglés. Para la comunidad sorda, esto es más que simple conveniencia: el lenguaje de señas es la base de la identidad cultural, y poder usarlo en el mundo digital significa mucho.
¿Por qué es difícil?
Los idiomas de signos no son "inglés en las manos" — son idiomas naturales independientes con su propia gramática y vocabulario. Es por eso que la traducción de firma a texto no puede ser reducida a igualar cada gesto a una palabra uno por uno. Significado se transmite simultáneamente a través de movimientos de mano, cuerpo y cabeza y expresiones faciales, y el modelo tiene que rastrear todo esto con alta precisión en tiempo real.
Los primeros intentos como "gloves de lenguaje" eran fundamentalmente limitados precisamente porque trataban signos como un código para palabras comunes. La traducción automática real requiere entender la estructura del lenguaje, incluyendo construcciones espaciales y marcadores no manuales. Modelos modernos aprenden de conjuntos de datos grandes: SL2T utilizó más de 100.000 horas de vídeo en más de 50 idiomas de signos, con aproximadamente un cuarto dedicado a ASL. La formación conjunta en diferentes idiomas y dialectos ayuda a encontrar patrones comunes y produce mejores resultados que modelos separados para cada idioma.
Cómo funciona la traducción
En lugar de procesar la secuencia de vídeo, el modelo utiliza una representación compacta: rastrea las coordenadas de los puntos clave del cuerpo y convierte esa secuencia de coordenadas en texto. Esto resuelve dos problemas a la vez: reduce la carga computacional y protege la privacidad. El vídeo original se elimina inmediatamente, y sólo coordenadas geométricas se envían al servidor para su traducción. El seguimiento de puntos es manejado por el modelo Holístico MediaPipe incorporado.
La traducción ocurre directamente, sin anotaciones intermedias (glosos). Este enfoque permite transmitir aspectos como marcadores no manuales y construcciones espaciales, y evita limitaciones de vocabulario artificial. Escalas de calidad con volumen de datos, como confirman los puntos de referencia: en la prueba FLEURS-ASL (prueba sd), el modelo logra una puntuación de cero de 70 BLEURT, muy por delante de todos los sistemas anteriores.
También importan mejoras prácticas. Los desarrolladores minimizaron la latencia de transmisión, enseñaron al modelo a no alucinar en la entrada no-señal, representaron a los usuarios zurdos (alrededor del 10% de ellos), y mejoró el reconocimiento de la firma de una mano cuando la otra mano está sosteniendo un teléfono inteligente.
Privacidad y futuro
Esta es la primera vez que AI para lenguajes de signos se ha mudado del laboratorio y en productos de consumo masivo. La tecnología SL2T ya está disponible en algunos dispositivos, y se esperan más idiomas y plataformas por la carretera. Para la comunidad sorda y difícil de escuchar, esto abre el camino a la inclusión digital completa: ahora usted puede comunicarse libremente en su idioma nativo usando un smartphone ordinario.
El futuro de estos sistemas reside en una interacción más natural y rápida entre los lenguajes hablados y los signos. Las próximas generaciones de modelos serán capaces no sólo de traducir frases individuales sino también de mantener conversaciones completas, preservando los matices de la emoción y el estilo. Y eso cambiará no sólo la tecnología, sino la vida cotidiana de millones de personas.
