SL2T 的意义不在于又增加一个视觉模型名称，而在于手语识别开始以手机功能的形式服务真实沟通。手机先从视频中提取人体和手部姿态坐标，再把坐标发送到服务器，由服务端模型转换为文字。

这类产品对整条链路提出了不同要求。手机端需要稳定提取坐标，网络和服务器需要及时返回结果，系统还要应对光线、遮挡、拍摄角度和连续手势变化。实验室指标并不能直接代表公共场景中的可用性。

视频和手势数据具有明显的个人属性。手机端先提取姿态坐标，可以减少原始视频离开设备的机会，也能降低视频持续上传所需的带宽。对于学校、医疗和公共服务等场景，这种数据最小化仍有价值。

姿态坐标本身依然会发送到服务器，翻译也依赖云端计算，因此产品需要说明坐标数据的传输保护、保存周期、访问权限和删除机制。网络中断或服务不可用时，翻译能力也会受到影响。

手语并不是单一、静态的符号集合，不同地区、用户习惯和表达速度都会影响识别。模型上线后，应持续收集经过同意的错误案例，分别评估误识别、漏识别和延迟，而不能只给出一个总体准确率。

对 AI 平台来说，这个案例说明多模态能力的价值正在从展示效果转向具体工作流。能否在设备、网络和权限约束下可靠运行，和模型本身的能力同样重要。