路径: 主页 > GB/T > 第748页 > GB/T 47517-2026 | 标准编号 | GB/T 47517-2026 (GB/T47517-2026) | | 中文名称 | 信息技术 手语数字人技术规范 | | 英文名称 | Information technology - Technical specifications for sign language digital human | | 行业 | 国家标准 (推荐) | | 中标分类 | L70 | | 国际标准分类 | 35.240 | | 字数估计 | 22,252 | | 发布日期 | 2026-04-30 | | 实施日期 | 2026-11-01 | | 发布机构 | 国家市场监督管理总局、国家标准化管理委员会 | GB/T 47517-2026: 信息技术 手语数字人技术规范
GB/T 47517-2026 英文版: Information technology - Technicalspecifications for sign language digital human
中 华 人 民 共 和 国 国 家 标 准
ICS 35.240CCS L 70
信息技术 手语数字人技术规范
2026⁃04⁃30 发布
2026⁃11⁃01 实施
国 家 市 场 监 督 管 理 总 局
国 家 标 准 化 管 理 委 员 会 发 布
1 范围
本文件规定了手语数字人的技术框架、技术要求，描述了对应的测试方法。
本文件适用于手语数字人的开发与测试。
4 缩略语
下列缩略语适用于本文件。
AAC：高级音频编码（Advanced Audio Coding）
ASR：自动语音识别（Automatic Speech Recognition）
BMP：位图（Bitmap）
FLAC：自由无损音频编码（Free Lossless Audio Codec）
JPEG：联合图像专家组（Joint Photographic Experts Group）
MP3：MPEG 音频层级Ⅲ（MPEG Audio Layer Ⅲ）
OCR：光学字符识别（Optical Character Recognition）
PNG：可移植网络图形（Portable Network Graphics）
UAC：USB 音频类（USB Audio Class）
UTF⁃8：8 位可变长度的统一码转换格式（Unicode Transformation Format⁃8⁃bit）
WAV：波形音频（Waveform Audio）
5 技术框架
手语数字人技术框架见图 1。
图 1 手语数字人技术框架
主要包括以下内容。
a） 输入模块：使用者输入要转译的语句文本，或上传包含自然语言的音频文件，或通过自然语言
说出需要转译的内容，或输入包含待转译文字的图片。
b） 预处理模块：如输入为非文本，手语数字人通过 ASR、OCR 技术将待转译内容转换为待转译
文本。
c） 手语驱动表达：手语数字人经过一系列处理，将文本转译成手语表达。
d） 人物形象生成：手语数字人生成对用户展示的形象，包括面部、手部、肢体及着装与环境。
6 技术要求
6.1 输入模块
6.1.1 支持形式
手语数字人应至少支持文本输入，宜支持上传音频文件的语音输入、自然对话的语音输入、图片输
入。手语数字人应支持简体中文及普通话交互，可在此基础上支持其他文字和语言。
注： 本文件如无特殊说明，技术要求与测试方法均默认使用简体中文与普通话。
6.1.2 文本输入
要求如下：
a） 应至少支持 UTF⁃8 编码格式；
b） 支持文本最大输入长度应不小于 200 字符。
6.1.3 语音输入
6.1.3.1 上传音频的语音输入
要求如下：
a） 应至少支持 WAV、MP3、AAC 及 FLAC 等主流音频格式；
b） 应至少支持 8 kHz~48 kHz 范围内的音频采样率；
c） 应至少支持单声道音频；
d） 支持音频最大输入时长应不小于 120 s。
6.1.3.2 自然对话的语音输入
要求如下。
a） 应支持通过 UAC 标准麦克风（内置或外接）进行音频采集。
b） 应支持至少以下一种语音启动机制：
--用户点击“开始”按钮后启动；
--静音检测启动；
--热词唤醒。
c） 应支持至少 120 s 连续语音输入。
6.1.4 图片输入
a） 应至少支持 BMP、JPEG 及 PNG 等主流图像格式；
b） 应至少支持 800 px×600 px 的图片分辨率；
c） 支持单文件最大文件大小应不小于 5 MB。
6.2 预处理模块
6.2.1 语音识别
6.2.1.1 上传音频的语音识别
如手语数字人支持上传音频输入，则应在日志中记录手语数字人语音识别开始的时间点、识别完
成的时间点，以及识别结果。
上传音频的语音识别性能要求如下：
a） 实时因子应小于或等于 1.0；
b） 准确率应不低于 85%。
6.2.1.2 自然对话的语音识别
如手语数字人支持自然对话输入，则应在日志中记录音频首帧到达手语数字人的时间点、音频尾
帧到达手语数字人的时间点、语音识别结束时间点，以及识别结果。
自然对话的语音识别性能要求如下：
a） 实时性系数应不大于 1.2；
b） 准确率应不低于 85%。
6.2.2 光学字符识别
如手语数字人支持带有文本的图像输入，则应在日志中记录图片数据完整到达手语数字人的时间
点、光学字符识别结果输出的时间点，以及识别结果。
光学字符识别性能要求如下：
a） 响应效率比应不大于 0.8；
b） 准确率应不低于 85%。
6.3 手语驱动表达
6.3.1 手语动作规范程度
每个手语动作按 GF 0020-2018 中第 7 章所规定动作要求的接近程度。使用弗雷歇距离与归一
化后的动态时间规整距离衡量手语动作规范程度，要求如下：
a） 每个手语动作的身体姿态、手势以及面部表情的平均弗雷歇距离应小于 20；
b） 每个动作的归一化动态时间规整距离应小于 0.5。
6.3.2 手语理解度
文字转译成的手语可被聋人理解的程度。采用主观评价，测评小组平均理解度得分及超过半数测
评人员理解度得分均应不低于 70 分。
6.3.3 实时性
当输入小于或等于 200 字符时，手语数字人启动延迟应小于 3 s。
6.3.4 速度控制
支持不同手语表达速度，至少支持快、中、慢三个速度层次阶梯。
6.3.5 视频流性能
手语表达视频流应支持不低于 25 帧/s。1 280 px×720 px 场景下，网络带宽需求不高于 3 Mbit/s，
1 920 px×1 080 px 场景下，网络带宽需求不高于 5 Mbit/s。
6.4 人物形象生成
6.4.1 面部
手语数字人的面部要求如下：
a） 面部轮廓应清晰锐利，无锯齿、模糊、扭曲或缺失；
b） 应具备标准五官结构，比例协调，避免脸部失真；
c） 应支持基本面部表情与嘴型变化，用于配合手语语义表达；
d） 不应存在面部表面贴图缺失、破损或明显接缝；
e） 面部表情应自然流畅，避免卡顿、错位或表情僵硬。
6.4.2 手部
手语数字人的手部要求如下：
a） 手部模型应完整呈现五指结构，包括掌部、虎口、五根手指，每根手指应具备三个关节段，确保
结构无缺失；
b） 手部模型应支持自然、精确的手指动作表达，包括弯曲、伸展、内收、外展、旋转等手语所需的
常见动作，运动轨迹清晰，双手配合协调，动作、位置准确，运动过程中不应出现骨骼错位、扭
曲、穿模或动作跳变；
c） 手部表面应具备足够的视觉细节，包括指甲形态、皮肤纹理、指腹褶皱、掌纹等；
d） 手部应始终保持边缘清晰、轮廓锐利，不应出现模糊、锯齿、断面等瑕疵；
e） 左右手模型在解剖结构、比例尺度、动作特征与纹理表现等方面应具备高度一致性。
6.4.3 肢体
手语数字人的肢体要求如下：
a） 应具备符合人类真实比例的写实形象，整体建模应自然、协调；
b） 不应存在明显变形、比例失衡或过度夸张设计；
c） 不宜使用风格化、拟人化或非人类形象。
6.4.4 着装与环境
手语数字人所穿服装应设计合理，服装颜色需与皮肤色彩存在明显对比度，以确保手部动作在视
觉感知上清晰可辨，避免因服饰颜色与肤色过于接近而影响手语识别与理解。服装宜采用纯色，不应
包含复杂花纹、动态材质或其他可能干扰手语视觉识别的设计元素。背景宜采用纯色，应与手与数字
人着装有明显对比度区分。
7 测试方法
7.1 测试环境设定
电脑端测试环境设定见表 1，手机端测试环境设定见表 2。
7.2 输入模块
7.2.1 支持形式
支持形式测试方法如下：分别给定文本输入、音频文件输入、自然语音输入、带文本的图像作为输
入，并查看其输出，符合 6.1.1 的要求。
7.2.2 文本输入
文本输入测试方法如下：
a） 创建一个 UTF⁃8 格式的文本文件，输入 200 个中文字符（约 100 字）；
b） 将该文件输入手语数字人。
所有文字能被正确识别、无乱码、无丢字、无报错现象，且手语数字人能生成完整的手语视频，则符
合 6.1.2 的要求。
7.2.3 语音输入
7.2.3.1 上传音频的语音输入
上传音频的语音输入测试方法如下。
a） 准备 WAV、MP3、AAC、FLAC 4 种类型的音频文件，每种类型再依次准备 8 kHz、16 kHz、
24 kHz、48 kHz 4 种采样率的文件各 1 份，共计 16 份。每份音频文件均为单声道，时长 120 s
左右。内容为清晰中文语音。
b） 将 16 份文件依次上传至系统进行语音识别。
如能正确得到语音识别结果，则符合 6.1.3.1 的要求。
7.2.3.2 自然对话的语音输入
自然对话的语音输入测试方法如下。
a） 准备一个符合 UAC 标准的麦克风，确保系统识别该麦克风。
b） 依次采用下列方法，观察系统是否启动：
--点击“开始”按钮后说话；
--直接说话；
--查阅系统说明书，说出“你好”等唤醒词。
c） 观察系统启动后，连续说 120 s 的语音。
如系统在 b）所述任一情况下启动，并能正确得到语音识别结果，则符合 6.1.3.2 的要求。
7.2.4 图片输入
图片输入测试方法如下：
a） 准备 BMP、JPEG、PNG 3 种类型的图片文件，每种类型再依次准备分辨率为 800 px×600 px、
1 280 px×720 px、1 920 px×1 080 px 的图片文件各 1 份，共计 9 份。且保证至少有 1 张图片
的大小不小于 5 MB；
b） 将 9 份文件依次上传至系统进行光学字符识别。
如能正确得到光学字符识别结果，则符合 6.1.4 的要求。
7.3 预处理模块
7.3.1 语音识别
7.3.1.1 上传音频的语音识别
上传音频的语音识别测试方法如下。
a） 准备至少 20 条音频，音频时长覆盖 5 s~120 s 区间。
b） 上传音频文件至手语数字人系统，开始识别。
c） 采集系统日志中的语音识别开始的时间点、识别完成的时间点，以及识别结果。
d） 使用公式（1）计算每一条音频的实时性因子。
7.3.1.2 自然对话的语音识别
自然对话的语音识别测试方法如下。
a） 选取至少 5 名测评人员，测评人员涵盖不同年龄段、不同性别。
b） 每名测评人员向手语数字人说出 5 条语音，语音时长涵盖 5 s~120 s 区间。
c） 采集系统日志中的语音识别开始的时间点、识别完成的时间点，以及识别结果。
d） 使用公式（3）计算实时性系数。
7.3.2 光学字符识别
光学字符识别测试方法如下。
a） 准备至少 20 张图片，覆盖 16 字符~200 字符区间。
b） 上传图片文件至手语数字人系统，开始识别。
c） 采集系统日志中的光学字符识别开始的时间点、识别完成的时间点，以及识别结果。
d） 使用公式（4）计算每张图片的响应效率比。
7.4 人物形象
7.4.1 面部
面部评估方法：通过审查手语数字人的产品说明书、技术文档等材料，获取手语数字人的面部描
述，并观察生成的视频中人物的面部，符合 6.3.1 的要求。
7.4.2 手部
手部评估方法：通过审查手语数字人的产品说明书、技术文档等材料，获取手语数字人的手部描
述，并观察生成的视频中......
|