腾讯Light创造营展示了多个AI公益项目，旨在帮助听障和肢体残障人士。通过面控技术，用户可用面部动作操控设备；AR字幕手语眼镜促进聋哑人与健全人之间的交流。这些项目展示了AI技术在无障碍服务和心理健康支持中的应用。

本研究解决了连续手语分割这一关键问题，该问题对手语翻译和数据标注具有重要影响。我们提出了一种基于变压器的架构，将分割建模为序列标注问题，并采用Begin-In-Out (BIO) 标记方案。实验结果表明，我们的方法在DGS语料库上实现了最先进的结果，同时在BSLCorpus上的特征超过了之前的基准。

本研究开发了一个基于视频的美式手语词典，旨在帮助学习者解决查找不熟悉手势的困难。通过手势识别技术和用户体验研究，分析了初学者在使用过程中的互动问题，如系统延迟和隐私顾虑，为词典系统的设计提供了指导。

本研究解决了孟加拉手语文本翻译问题，创新性地结合德美手语语法与大型语言模型生成合成数据。结果显示，基于mBART-50的模型在PHOENIX-14T测试中表现优异，提出了新的翻译范式，证明合成数据对BdSL翻译的促进作用。

本研究提出了一种文本驱动的扩散模型（TDM）框架，旨在从文本生成语义一致的手语姿态序列，最终在手语生成任务中获得BLEU-1得分20.17，排名第二。

本研究提出了一种新方法，利用事件流辅助RGB摄像头捕捉手势数据，克服了手语翻译算法在光照和运动模糊下的局限性。通过收集15776个样本的数据集VECSL，提出了新的手语翻译框架M$^2$-SLT，并取得了先进的结果。

本文提出了BdSLW401，一个包含401个手势和102,176个视频样本的孟加拉手语数据集，以解决手语识别中的说话者变异和视角变化问题。通过引入相对量化编码（RQE），显著提升了基于变换器的手语识别效果，增强了模型的解释性和识别率。

本研究解决了当前孤立手语识别（ISLR）模型的语言特定限制问题，提出了一种跨语言和词汇演变的一-shot 学习方法。通过预训练模型以根据关键特征嵌入手势，并使用密集向量搜索实现对未见手势的快速准确识别，取得了先进的结果，具有良好的跨语言和支持集的稳健性，推动了手语识别技术的可扩展性和适应性。

本研究提出了一种结合深度学习与可解释人工智能的方法，以提高阿拉伯手语识别的准确性和可解释性。使用EfficientNet-B2模型，识别准确率达到99.48%。

本研究提出GLaM-Sign，旨在改善聋人及听障人士的沟通，提升希腊旅游行业的包容性。该项目结合音频、视频、文本转录和手语翻译，未来将扩展至更多语言，展示多模态资源在沟通与创新中的潜力。

本研究推出了一个新的孟加拉手语数据集（BdSL40），包含611个单词的40个视频，并采用3D卷积神经网络和图神经网络进行分类。研究发现BdSL与西孟加拉手语和印度手语在词汇和语义上有显著相似性，同时指出文献中缺乏词级数据集。数据集和源代码已发布，以促进后续研究。

本研究推出了覆盖74种口语和美国手语的2M-BELEBELE数据集，填补了多语言语音和ASL理解数据集的空白。评估结果显示，语音理解的准确率比阅读理解低约8%。

本研究解决了传统手语处理方法中基于术语系统的局限性，提出了一种新的手语转录标准系统SignWiring，作为手语与文本语言之间的桥梁。通过实证评估，证明该转录方法能够有效促进更自然准确的手语翻译，并为实时多语言应用打下基础，从而推动语言技术的普及与无障碍化。

本研究开发了一个基于大型语言模型的框架，实现美国手语与印度手语的实时翻译，显著提升了手语用户的可及性，消除了交流障碍。