Na semana passada, antes do evento Made by Google, o Google DeepMind anunciou o SL2T, um modelo de IA que traduz língua de sinais diretamente para texto escrito. A tecnologia alimenta um novo recurso de tradução de sinais para texto no Gboard e no Live Transcribe em toda a linha Pixel 11.
Usuários da Língua de Sinais Americana (ASL) agora podem sinalizar para a câmera do celular em qualquer lugar onde normalmente digitariam: uma barra de pesquisa, uma mensagem, um documento ou um comando para o Gemini. No Live Transcribe, uma pessoa surda pode sinalizar uma resposta durante uma conversa presencial, em vez de precisar digitá-la enquanto a outra pessoa espera.
Para quem passou a carreira acompanhando tecnologias de acessibilidade serem anunciadas, entregarem menos do que o prometido e, às vezes, serem abandonadas, esta merece uma análise mais cuidadosa. É um trabalho impressionante e talvez até revolucionário.
Traduzir ASL é um problema fundamentalmente diferente de transcrever fala. A ASL é uma língua completa, com sua própria gramática, e o significado é transmitido simultaneamente pelas mãos, braços, tronco, cabeça e rosto. Não existe uma correspondência direta, palavra por palavra, com o inglês.
Abordagens anteriores tentavam resolver isso primeiro convertendo os sinais em rótulos escritos chamados glosses e, depois, traduzindo esses rótulos. A equipe do Google abandonou essa etapa, argumentando que os glosses simplificam justamente os marcadores não manuais e as construções espaciais que carregam significado. Em vez disso, um sistema de visão computacional executado no dispositivo acompanha 130 pontos no rosto, corpo e mãos da pessoa que sinaliza, transformando o vídeo em um mapa de coordenadas em movimento. As imagens brutas são descartadas no próprio dispositivo. Apenas as coordenadas são enviadas aos servidores do Google para tradução.
O modelo foi treinado com mais de 100 mil horas de dados abrangendo mais de 50 línguas de sinais, sendo aproximadamente um quarto desse volume em ASL. Ele foi desenvolvido deliberadamente para lidar com sinais feitos com uma só mão, algo importante quando a outra mão está segurando o celular, além de conseguir processar sinais feitos por pessoas canhotas.
O conceito surgiu com Sam Sepah, um funcionário surdo do Google, que também liderou o desenvolvimento e é pioneiro na defesa das comunidades surdas e de pessoas com deficiência ao longo de sua carreira. O Google criou um Comitê Consultivo de Língua de Sinais para IA, formado por organizações de pessoas surdas e especialistas no assunto, e realizou avaliações com usuários surdos.
Para entender por que a decisão técnica de acompanhar o rosto e o tronco é importante — e por que a governança em torno desse lançamento é ainda mais importante — é preciso conhecer o que já foi feito com essa língua.
A ASL nasceu em uma escola. Em 1817, Thomas Hopkins Gallaudet abriu a American School for the Deaf, em Hartford, Connecticut, ao lado de Laurent Clerc, um professor surdo francês que havia recrutado em Paris. O que surgiu ali foi uma combinação da Língua de Sinais Francesa, dos sinais caseiros que os alunos traziam de suas famílias e dos sinais já utilizados em comunidades como Martha’s Vineyard, onde a surdez hereditária era tão comum que tanto pessoas ouvintes quanto surdas utilizavam sinais naturalmente. Em uma geração, essa combinação havia se transformado em uma língua distinta, com sua própria gramática, transmitida por escolas, clubes e famílias surdas em todo o país.
Então, em setembro de 1880, uma sala em Milão votou para eliminá-la.
O Segundo Congresso Internacional sobre Educação de Surdos foi organizado pela Sociedade Pereire, um grupo oralista, e a lista de convidados foi montada para produzir o resultado desejado. Dos 12 palestrantes, nove defendiam a educação exclusivamente oral. O Congresso decidiu que o método oral deveria ser priorizado e que a língua de sinais deveria ser retirada da educação de pessoas surdas. Dos 164 delegados, apenas os cinco americanos e um delegado inglês votaram contra. Segundo a maioria dos relatos, havia apenas uma ou duas pessoas surdas na sala.
As consequências se espalharam e, nos Estados Unidos, a proporção de estudantes surdos ensinados por métodos orais aumentou de 32% em 1887 para 70% em 1917. Professores surdos foram afastados da profissão e substituídos por instrutores ouvintes de fala. Crianças eram punidas por sinalizar. Toda uma pedagogia foi construída sobre a premissa de que a língua nativa de uma criança surda era um obstáculo a ser eliminado.
A ASL sobreviveu mesmo assim, exatamente nos lugares para os quais as instituições não estavam olhando. Passava entre as crianças nos dormitórios depois que as luzes se apagavam. Era mantida viva em clubes de surdos, eventos esportivos para surdos e em torno das mesas das famílias surdas. Foi transmitida de pessoa para pessoa durante 80 anos, enquanto todas as estruturas oficiais insistiam que aquilo não era uma língua.
Um desses lugares era o Sul segregado dos Estados Unidos. Dezessete estados do Sul e fronteiriços criaram escolas separadas ou departamentos exclusivos para crianças negras surdas, sendo a última delas fundada na Louisiana em 1938. O oralismo era caro. Exigia turmas pequenas, professores de fala treinados e anos de instrução individual, e os estados que já subfinanciavam deliberadamente a educação de pessoas negras surdas não pagavam por isso. Estudantes negros surdos recebiam um currículo profissional básico e, em muitos casos, professores surdos que utilizavam sinais. O mesmo descaso que lhes negava tantas outras coisas deixou sua língua em paz. A ASL continuava sendo usada nessas salas enquanto escolas brancas puniam crianças por utilizá-la, e a variedade que se desenvolveu ali, hoje chamada de Black ASL, preservou formas mais antigas que haviam desaparecido da variedade predominante.
A validação veio em 1960, quando William Stokoe, um linguista ouvinte da Gallaudet, publicou Sign Language Structure e demonstrou que a ASL tinha fonologia, morfologia e sintaxe como qualquer outra língua natural. Esse estudo é o motivo pelo qual hoje é evidente que a ASL não é o inglês executado com as mãos. Isso não era evidente naquela época, e Stokoe foi amplamente ridicularizado pelos próprios colegas por afirmar o contrário.
A integração dessas escolas aconteceu lentamente. Carolyn McCaskill foi uma das cerca de dez estudantes negros que ingressaram na recém-integrada Alabama School for the Deaf em 1968, e ela descreveu ter deixado seus sinais de lado para ser compreendida. A última escola segregada para surdos do país, a Southern School for the Deaf, na Louisiana, só fechou em 1978, 24 anos depois de Brown. Quando os dois sistemas finalmente se encontraram, os sinais utilizados pela comunidade negra não foram reconhecidos como uma variedade com sua própria história. Foram tratados como um erro. Pessoas negras surdas eram esperadas a adaptar sua comunicação à variedade padrão, e o padrão era qualquer versão que tivesse sido filmada, documentada, incluída em dicionários e ensinada.
O que veio depois foi mais lento do que deveria. A Gallaudet, fundada por Abraham Lincoln em 1864, só teve um presidente surdo quando os estudantes ocuparam o campus durante os protestos Deaf President Now, em março de 1988. A Americans with Disabilities Act foi aprovada em 1990. E o Congresso Internacional sobre Educação de Surdos só repudiou formalmente as resoluções de Milão quando se reuniu em Vancouver, em 2010, 130 anos após a votação.
A tecnologia fez parte dessa história desde o início, principalmente como uma sucessão de incompreensões bem-intencionadas. O exemplo mais instrutivo é a luva de língua de sinais, uma ideia que ressurge a cada poucos anos em departamentos de engenharia de universidades e campanhas de financiamento coletivo, geralmente acompanhada de um comunicado à imprensa sobre a quebra de barreiras. Linguistas surdos explicaram repetidamente por que isso não funciona: as luvas capturam as mãos e nada mais, enquanto a ASL é construída a partir de expressões faciais, posição da cabeça, direção do olhar, movimentos corporais e uso do espaço. Uma luva que lê apenas as mãos está lendo aproximadamente um terço da língua e relatando o resultado com confiança.
É aí que a história chega diretamente ao ponto. A decisão do Google de acompanhar 130 pontos no rosto, tronco e mãos não é uma simples atualização de engenharia. É a primeira vez que a arquitetura de um produto de consumo de grande escala reflete aquilo que pessoas surdas vêm dizendo sobre sua própria língua desde 1960.
Esse reconhecimento importa sobretudo para as pessoas que realmente utilizarão a tecnologia. “Esta é uma tecnologia revolucionária e, como usuária surda de ASL, fico empolgada em ver a ASL ser reconhecida computacionalmente como a língua complexa que é: desde configurações das mãos e classificadores até gramática espacial, expressão facial e marcadores não manuais”, afirma Chrissy Marshall, escritora e diretora surda. “Mas não consigo deixar de pensar em como essa tecnologia se encaixa no nosso atual cenário de acessibilidade.”
Esse cenário sempre dependeu do trabalho de pessoas surdas. “Pessoas surdas já carregam uma parcela enorme do peso da comunicação: acompanhar legendas, preencher o que foi perdido, corrigir erros, reivindicar adaptações, tudo isso enquanto tentam participar da conversa”, diz Marshall. “Como sociedade, acho que estamos confortáveis demais em esperar que pessoas surdas dependam de ferramentas de comunicação imperfeitas. Especialmente quando elas são ‘futuristas’ ou ‘legais’.”
O Google e seu comitê consultivo descrevem o SL2T estritamente como uma ferramenta de entrada assistiva para comunicações de baixo risco. A empresa afirma claramente que a tecnologia não atende aos requisitos legais de adaptações razoáveis. Ela não foi projetada para consultas médicas, processos judiciais, salas de aula, entrevistas de emprego ou audiências governamentais. O relatório alerta explicitamente as instituições para que não utilizem o software para substituir intérpretes humanos qualificados ou contornar suas obrigações de acessibilidade.
O modelo pode ter dificuldades com sinais regionais, gírias, gramática complexa da ASL, soletração rápida com os dedos e significados transmitidos principalmente por expressões faciais. Ele pode produzir o que o Google chama de ghost text, palavras que o usuário nunca sinalizou, quando alguém faz uma pausa ou uma segunda pessoa entra no enquadramento. A precisão diminui em ambientes com pouca luz, quando a pessoa que sinaliza está parcialmente fora do enquadramento ou quando há pouco contraste entre mãos, rosto, roupas e fundo.
Essas limitações deixam uma pergunta em aberto que os materiais de lançamento não respondem: qual ASL o sistema está aprendendo a interpretar?
“A ASL não é monolítica”, afirma Marshall. “Existem sinais regionais, Black ASL e outros dialetos, diferenças entre gerações, gírias, estilos de sinalização e diferenças de mobilidade — tudo isso importa. As expressões faciais também carregam significado gramatical, o que levanta questões sobre como a tecnologia reconhece pessoas com diferenças faciais ou deficiências que afetam os movimentos. Vou ter que tirar meus óculos? Pessoas não brancas conseguirão se comunicar e se sentir compreendidas de forma equitativa?”
A interpretação humana envolve a mesma negociação, e Marshall observa que ela também nunca é totalmente resolvida. “Mesmo com intérpretes que têm décadas de experiência, existem nuances linguísticas e geracionais que precisamos navegar juntos”, afirma. “No setor de entretenimento em que trabalho, adaptamos e criamos sinais para garantir eficácia e fluidez no trabalho.”
Isso leva à pergunta que deveria estar no centro de toda avaliação dessa tecnologia. “Um modelo de IA vai entender a maneira como eu sinalizo”, pergunta Marshall, “ou eu terei que adaptar minha língua para ser compreendida pela tecnologia?”
A resposta determina se o produto está traduzindo ASL ou pedindo que a ASL se torne mais legível para uma máquina. Um sistema que funciona melhor quando a pessoa que sinaliza se padroniza para ele transfere novamente o trabalho para o usuário surdo — exatamente onde ele está desde 1817.
Existe uma versão prática da mesma preocupação. “A necessidade atual de iluminação, enquadramento e posicionamento específicos do celular também me faz questionar o quanto será prático para interações espontâneas”, afirma Marshall. “E, em ambientes formais, eu ainda preferiria um intérprete qualificado de ASL.”
Toda tecnologia de acessibilidade que chega ao mercado acompanhada de uma ressalva acaba encontrando uma instituição que ignora essa ressalva. As legendas automáticas foram lançadas com orientações claras de que não substituíam o CART ou a legendagem profissional. Em poucos anos, universidades e empregadores passaram a tratar as legendas automáticas como suficientes para cumprir as exigências, e estudantes e funcionários surdos passaram anos recorrendo à Justiça e negociando para recuperar aquilo a que já tinham direito.
Marshall viveu os dois lados dessa história. “Sei que uma tecnologia imperfeita ainda pode ser extremamente útil porque não tenho um intérprete comigo todos os dias”, afirma. “A transcrição e as legendas ao vivo, por exemplo, podem ser usadas espontaneamente no cotidiano, e óculos com legendas que estão surgindo podem me ajudar a manter contato visual em vez de ficar constantemente olhando para o celular.” Ela também já viu a substituição acontecer com ela. “Já vivenciei legendas automáticas sendo tratadas como ‘boas o suficiente’ em ambientes acadêmicos e profissionais onde existe acesso melhor.”
Existe ainda a variável que as tecnologias de acessibilidade mais frequentemente erram: quem, de fato, consegue ter acesso a elas. O SL2T está vinculado à linha Pixel 11, portanto o acesso ao modelo de língua de sinais mais sofisticado já lançado em um produto de consumo depende da compra de um determinado celular.
“Também espero que o futuro da tecnologia acessível inclua acessibilidade financeira e distribuição”, afirma Marshall. “Vimos tecnologias emergentes, como óculos inteligentes, evoluírem principalmente como produtos de consumo, enquanto muitas de suas possibilidades mais significativas estão relacionadas à acessibilidade.” Sua conclusão é aquela que equipes de produto, financiadores e formuladores de políticas deveriam levar em consideração. “A inovação só pode ir até certo ponto se as pessoas que mais poderiam se beneficiar dela não puderem pagar ou ter acesso.”
Esta é a tecnologia de língua de sinais mais significativa a chegar a um produto de consumo, desenvolvida com pessoas surdas, e não em torno delas, e o Google foi transparente sobre o que ela não pode fazer. Essa combinação é mais rara do que deveria ser.
Marshall coloca o padrão onde ele deve estar. “A tecnologia é impressionante. Seu maior valor deve ser oferecer às pessoas surdas mais ferramentas para se comunicar, e estou sempre aberta a isso. A inovação deve ampliar o acesso.”
*Por Keely Cat-Wells, Colaboradora da Forbes. fundadora da Making Space, uma organização que trabalha para reduzir a desigualdade no acesso de pessoas com deficiência ao mercado de trabalho.
*Reportagem publicada originalmente em Forbes.com
