🤟 タイピングより自然に話せる｜DeepMindの手話AI「SL2T」が変える「話す」の形

目次

• 「音声入力」が当たり前になったの、実はまだ最近の話
• そう考える4つの理由
  • 理由1：中間表記を挟まない発想の転換
  • 理由2：動画を捨てて座標だけ使うプライバシー設計
  • 理由3：70の壁を超えたベンチマークスコア
  • 理由4：当事者団体を巻き込んだ開発プロセス
• まとめ：便利さの土台にあるのはいつも「切実さ」

---

「音声入力」が当たり前になったの、実はまだ最近の話

2026年8月12日、Google DeepMindが手話を直接テキストに変換するAIモデル「SL2T(Sign-Language-to-Text)」を発表したの。

Pixel 11のGboardとLive Transcribeに搭載されていて、ろう者・難聴者の人がタイピングの代わりに手話でスマホに話しかけられるようになる機能だよ。検索も、メッセージ作成も、Geminiとのやりとりも、手話でできるようになるの。

正直に言うと、わたしは最初このニュースを見たとき「音声入力の手話版か、便利そうだな」くらいの軽い気持ちで読み始めたんだよね。でも技術的な中身とか、背景にある数字を見ていくうちに、これって「便利な新機能が1個増えた」で終わらせちゃいけない話だなって思い直したの。今日はSL2Tが持ってる意味を、わたしなりに掘り下げてみるね。

---

そう考える4つの理由

理由1：中間表記を挟まない発想の転換

まず気になったのが、翻訳の仕組みそのものについて。

世間では「手話を文字にする」って言うと、手話の動きをいったん「グロス」っていう手話専用の記号表記に変換して、それから英語やその国の言語に翻訳する、っていう2段階の仕組みを想像する人が多いと思うの。実際、これまでの手話認識研究の多くはこのグロス表記を経由するやり方が主流だったんだよね。

でもSL2Tは、この中間表記を挟まずに、骨格の座標データの並びから直接テキストへ変換する方式を取ってるの。

なぜなら、グロス表記を経由する方式って、そもそも手話の動きを正確にグロスへ変換すること自体が難しくて、そこでの誤差が最終的な翻訳精度に響いちゃう課題があったから。DeepMindはその「中間の変換」自体をなくすことで、誤差が積み重なる箇所を減らしたんだと思うの。

わたしはこの発想、AIモデルの設計としてすごく理にかなってると思ってる。何かを翻訳するときって、つい「まず分かりやすい中間形式に直してから」ってステップを挟みたくなるものだけど、その中間形式自体が完璧じゃなければ、むしろ余計なノイズになっちゃうんだよね。SL2Tは「回り道をなくす」判断をしたからこそ、後で話す高いベンチマークスコアにつながったんじゃないかなって思うの。

理由2：動画を捨てて座標だけ使うプライバシー設計

2つ目の理由は、データの扱い方について。

世間では「AIカメラで人の動きを認識する」って聞くと、映像がどこかに送られて保存されるんじゃないかっていう不安を感じる人が多いと思うんだよね。手話は表情や体の動き全体を使うコミュニケーションだから、なおさらそういう心配が出やすいと思うの。

でもSL2Tは、MediaPipe Holisticっていう技術でカメラ映像を骨格の座標データに変換して、動画そのものは端末上でその場で破棄する設計になってるの。翻訳に使うのは、あくまで手や体の位置を示す数値の並びだけなんだよね。

わたしはこの設計判断、地味だけどすごく大事なポイントだと思ってる。なぜなら、手話ユーザーにとって「話す」という行為そのものが常にカメラに撮られる前提の機能だったら、日常的に使い続けるのは心理的にハードルが高いはずだから。動画を残さない設計にしたことで、初めて「毎日気軽に使える機能」になったんじゃないかなって感じるの。

音声入力を使うときにマイクの録音がずっと残ってたら気持ち悪いのと同じで、手話入力でも映像が残らないっていう安心感は、機能の便利さと同じくらい大事な要素だと思うんだよね。

理由3：70の壁を超えたベンチマークスコア

3つ目の理由は、性能そのものについて。

世間では「新しいAIモデルが出た」って聞くと、スコアがちょっと上がった程度のマイナーアップデートを想像する人も多いと思うの。

でもSL2TはFLEURS-ASLというベンチマークで70点のBLEURTスコアを記録していて、これは過去に報告されたどのスコアよりも大幅に高い数字だとDeepMindは説明してるの。しかも学習データは50以上の手話、合計10万時間以上という規模で、そのうちASL(アメリカ手話)は約25%程度なんだよね。

わたしがここで面白いなと思ったのは、単一の手話だけに特化して学習させたわけじゃなく、あえて50以上の多様な手話を一緒に学習させてる点。DeepMindは「多様な言語を一緒に学習させることで、モデルが共通する構造を学び取る」と説明してるんだけど、これって人間が複数の外国語を学ぶときに、言語同士の共通点に気づいて上達が早くなる感覚に近いんじゃないかなって思うの。

だからこそ、今回のスコアの伸びは単なる「データ量を増やしました」っていう力技の結果じゃなくて、学習のさせ方そのものが賢くなった結果なんじゃないかなって、わたしは受け止めてるんだよね。

理由4：当事者団体を巻き込んだ開発プロセス

4つ目の理由は、誰と一緒に作ったかについて。

世間では、AI企業が新しい機能を作るとき、当事者の声を後回しにして技術先行で開発を進めて、あとから「使いにくい」って批判されるパターンがよくあるイメージがあると思うんだよね。

でも今回のSL2Tは、AI Sign Language Advisory Committee(AISLAC)という当事者を含む諮問委員会と連携しながら、開発の全過程で意見を取り入れる形で進められたとDeepMindは説明してるの。

わたしはこの点、技術の中身と同じくらい重要な話だと思ってる。なぜなら、手話って地域や文化によってニュアンスがかなり違うし、実際に日常的に使ってる当事者じゃないと分からない微妙な使い勝手ってたくさんあるはずだから。技術者だけで作ったモデルと、当事者の声を反映しながら作ったモデルとでは、たとえベンチマークの数字が同じでも、実際の使い心地は全然違うはずなんだよね。

こういうプロセスを経て作られたからこそ、単なる「技術デモ」で終わらずに、Pixel 11という実際の製品にちゃんと搭載されるところまでこぎつけたんじゃないかなってわたしは感じてるの。

---

まとめ：便利さの土台にあるのはいつも「切実さ」

今回のニュースをまとめると、2026年8月12日にGoogle DeepMindが手話認識モデル「SL2T」を発表し、Pixel 11のGboardとLive Transcribeに搭載されたの。50以上の手話、10万時間超のデータで学習し、映像を残さないプライバシー設計で、FLEURS-ASLベンチマークでは過去最高水準のスコアを記録したよ。

ポイントを整理すると、この4つになるね。

1つ目、グロス表記という中間ステップを挟まない設計が、翻訳精度の向上につながったこと。

2つ目、映像を残さず座標データだけを使うプライバシー設計が、日常的に使い続けられる安心感を生んでること。

3つ目、多様な手話を一緒に学習させたことで、単純なデータ増量以上のスコア向上を実現したこと。

4つ目、当事者団体との連携が、技術デモで終わらせない実用性につながったこと。

この4つだね。

わたしはこのニュースを読んで、世界には約7,000万人のろう者・難聴者がいて、手話も200以上あるっていう事実に、正直あまり意識を向けたことがなかったなって反省したの。音声入力やキーボードが「当たり前」になってる自分の世界の外側に、まだまだタイピングに頼るしかなかった人たちがいたんだよね。

こういうアクセシビリティ系の機能って、一見わたしたちの日常には直接関係ないように見えるかもしれないけど、実は音声入力やリアルタイム字幕みたいに「最初は一部の人のための機能だったのに、いつの間にかみんなが使う便利機能になった」パターンが多いの。ChatGPTやGeminiみたいな主要AIサービスの使い分けが気になる人はChatGPT、Gemini、Claudeを業務で使い分けてみた感想もあわせてチェックしてみてね。SL2Tみたいな機能がこれからどう広がっていくか、わたしも引き続き見ていきたいな🤟。

関連記事: ChatGPT、Gemini、Claudeを業務で使い分けてみた感想

ソース:

• Putting sign language AI into users' hands（Google DeepMind公式ブログ, 2026年8月12日）

よくある質問

Q.SL2Tとはどんなモデルですか？

A.Google DeepMindが2026年8月12日に発表した、手話を直接テキストに変換するAIモデルです。Pixel 11のGboardとLive Transcribeに搭載されています。

Q.SL2Tはどんな技術を使っていますか？

A.MediaPipe Holisticでカメラ映像を骨格の座標データに変換し、映像は端末上で破棄するプライバシー設計です。中間的なグロス表記を経由せず、座標データから直接テキストに変換します。

Q.対応している手話は何ですか？

A.50以上の手話、合計10万時間以上のデータで学習しており、そのうち約25%がアメリカ手話(ASL)です。今後さらに対応言語を拡大予定です。

Q.どのくらいの精度がありますか？

A.FLEURS-ASLというベンチマークで70点のBLEURTスコアを記録し、過去に報告されたどのスコアよりも大幅に高いとDeepMindは説明しています。