Google Research viser Language Explorers kort over 7.000 sprog

Google Research præsenterede Language Explorer den 9. november 2026, en interaktiv platform til at undersøge sprogenes geografiske udbredelse, skriftsystemer og antal talere. Det globale overblik omfatter omkring 7.000 sprog og 159 skriftsystemer, og oplysningerne er tænkt som støtte for lingvistisk forskning og udvikling af sprogteknologi.

Platformen er udviklet som led i Googles 1.000 Languages Initiative og omsætter open source-datasættet LinguaMeta til en offentlig, visuel grænseflade. Annonceringen fra Daan van Esch og Uche Okonkwo knytter grænsefladen til en bredere indsats for at gøre sprogteknologi nyttig for flere af verdens sproglige fællesskaber.

Et metadatalag til sprogteknologi

På Language Explorers websted kan man søge efter sprognavn, land eller region samt kontinent eller subkontinent. Brugerne kan søge efter antal talere, graden af truethed eller skriftsystemer og derefter vælge en markør på kortet for at åbne en detaljeret side om sproget. Siderne samler navne, geografiske placeringer og identifikatorer, herunder BCP-47-tags, Glottokoder og Wikidata-id’er, som giver ensartede referencepunkter på tværs af sproglige ressourcer.

Alle oplysninger, der vises på webstedet, stammer fra LinguaMeta, et open source-repository, der samordner sprogoplysninger fra 19 citerede kilder. LinguaMeta-artiklen fra 2024 dokumenterede det underliggende datasæt, som omfattede 7.511 sprog med BCP-47- og ISO 639-3-koder. Hvert datapunkt har et mærke, der angiver dets oprindelse, så det kan spores og korrigeres. Når kilderne var uenige, foretrak forfatterne enten den mere autoritative kilde eller foretog yderligere undersøgelser ved hjælp af akademiske publikationer, folketællingsmateriale og forfatninger.

Artiklen rapporterede, at maskinoversættelse, talegenkendelse og tekst-til-tale kun var bredt tilgængelige på omkring 100 sprog, mens dækningen for de fleste andre sprog var af lav kvalitet eller helt manglede. Denne mangel giver metadataene en praktisk funktion: Antallet af talere kan hjælpe med at prioritere arbejdet, mens kombinationer af sprog, skriftsystem og lokalitet identificerer de præcise kombinationer, et lokaliseret system skal kunne håndtere. Repositoryets struktur bevarer disse kombinationer i JSON-poster; en enklere TSV-oversigt udelader kildeoplysninger, udvidede navne, tags for brug af skriftsystemer, undersøgelser af officiel status og koordinater.

Fra forskningsrepository til museumsinstallation

Language Explorer optræder også som en interaktiv installation på Real Talk! Language. Power. World. på Museum of Communication Berlin. Museet angiver, at udstillingen åbnede den 5. november 2026.

Seks temarum handler om sproglige verdener, mangfoldighed, identiteter, kontakt, magt og fremtiden. Det sidste rum spørger, hvordan AI og chatbots ændrer kommunikationen, og hvordan forskere og aktivister dokumenterer truede sprog. En online ledsager blev lanceret den 6. november 2026 med baggrundsmateriale, videoer og quizzer om de samme seks perspektiver, herunder forholdet mellem AI og flersprogethed. Både udstillingen i Berlin og dens online ledsager er angivet som tilgængelige frem til den 27. februar 2028.

Ujævn dækning og et arkiveret repository

Artiklens tabel over dækningen viser betydelige forskelle mellem felterne. Der forelå oplysninger om antallet af talere for 6.253 sprog, svarende til 83 %, men endonymer – de navne, sproglige fællesskaber bruger om deres egne sprog – var kun dokumenteret for 1.136 sprog, svarende til 15 %. Kortet giver derfor et bredt udgangspunkt, mens informationsdybden varierer betydeligt fra sprog til sprog og mellem kategorierne.

Befolkningstal er forbundet med yderligere forbehold. De underliggende metoder udelader tal for andetsprogstalere, fordi det var vanskeligt at finde pålidelige statistikker, afrunder større estimater over antallet af talere til nærmeste størrelsesorden for at undgå falsk præcision og advarer om, at sammenlægning af befolkningstal for lokaliteter kan forstærke fejl i kilderne. Ressourcen fokuserer på levende talesprog: Tegnsprog, oldtidssprog, historiske sprog og konstruerede sprog er udeladt. Makrosprog og sprog, der er klassificeret som uddøde, er medtaget; sidstnævnte, fordi nogle stadig har små talerfællesskaber. Esperanto er en udtrykkelig undtagelse fra udelukkelsen af konstruerede sprog, fordi flere sprogteknologier allerede understøtter det.

Hver markør på kortet angiver et omtrentligt sprogligt centrum, fastlagt ud fra koordinater fra Glottolog og manuelle justeringer. Webstedet gør opmærksom på, at sprog tales af fællesskaber, som kan flytte sig eller krydse politiske grænser, så markørerne ikke bør opfattes som faste territorier.

Der er også en uoverensstemmelse om vedligeholdelsen. I Explorers FAQ beskrives LinguaMeta som et aktivt projekt, og forskere opfordres til at bidrage med rettelser og ressourcer.

Repositoryet url-nlp har en meddelelse på GitHub om, at det blev arkiveret den 6. oktober 2026, og er markeret som skrivebeskyttet. Det fulde, versionsstyrede datasæt kan stadig downloades, men denne status gør det uklart, hvordan man fremover kan bidrage, samtidig med at Google præsenterer grænsefladen for et bredere publikum.