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%。

本研究通过大型语言模型（LLM）增强美国手语（ASL）与印度手语（ISL）之间的翻译，旨在填补两者用户的沟通鸿沟。开发的框架实现了实时、高效的手语翻译，显著提高了手语用户的可及性，消除了交流障碍。

本研究通过引入美国手语知识图谱（ASLKG），提高了美国手语（ASL）语言模型的可及性和可解释性。结果表明，基于ASLKG训练的模型在手势识别和视频分类任务中表现优异。

本文介绍了一个基于可穿戴设备的自动手语识别系统的概念验证，通过采集动态手语数据并使用机器学习方法解释美国手语（ASL）动态单词。模型准确率高，如随机森林模型达到99％，SVM和两个KNN模型准确率为98％，展示了系统发展的多种可能路径。

该研究介绍了一个基于深度学习的大规模美国手语（ASL）生成预训练模型，以解决对ASL依赖的残障人士之间的沟通障碍。该模型使用基于条件扩散的方法进行ASL生成，并改进了模型的准确性和质量，以及图像指标的优化。