指文字は手指の形状で表現され，静止状態と動作状態の2種類が存在する．本研究では，静的・動的指文字を統一的に認識可能なモデルの構築を目指す．まず，Webカメラから得られた画像を用いて，MediaPipeを活用して手を検出し，指関節の骨格座標の相対座標を取得する．つぎに，これらの時系列の相対座標をTransformerモデルに入力し，静的および動的指文字を認識する手法を提案する．先行研究であるSVMを用いた静的指文字認識手法と比較し，動的指文字を含む認識精度の向上を評価する．評価実験には，動画投稿サイトに投稿されている指文字学習用の動画データを用い，提案手法の有効性を検証した．