Google Research präsentiert die Karte von Language Explorer mit 7.000 Sprachen

Google Research stellte Language Explorer am 9. November 2026 vor – eine interaktive Plattform zur Untersuchung der geografischen Verbreitung von Sprachen, Schriftsystemen und Sprecherpopulationen. Die Weltübersicht umfasst rund 7.000 Sprachen und 159 Schriftsysteme. Die Datensätze sollen die linguistische Forschung und die Entwicklung von Sprachtechnologien unterstützen.

Die im Rahmen von Googles 1,000 Languages Initiative entwickelte Plattform macht den Open-Source-Datensatz LinguaMeta über eine öffentliche visuelle Benutzeroberfläche zugänglich. Die von Daan van Esch und Uche Okonkwo angekündigte Plattform ist Teil eines umfassenderen Vorhabens, Sprachtechnologien für mehr Menschen in der sprachlichen Vielfalt der Welt nutzbar zu machen.

Eine Metadatenschicht für Sprachtechnologien

Die Website von Language Explorer ermöglicht die Suche nach Sprachnamen, Ländern oder Regionen sowie Kontinenten oder Subkontinenten. Nutzerinnen und Nutzer können nach Sprecherzahlen, Gefährdungsstatus oder Schriftsystemen stöbern und anschließend eine Markierung auf der Karte auswählen, um eine ausführliche Sprachseite aufzurufen. Diese Seiten führen Namen, geografische Angaben und Kennungen wie BCP-47-Tags, Glottocodes und Wikidata-IDs zusammen und bieten so einheitliche Bezugspunkte für verschiedene Sprachressourcen.

Alle auf der Website angezeigten Werte stammen aus LinguaMeta, einem Open-Source-Repository, das Sprachinformationen aus 19 zitierten Quellen zusammenführt und vereinheitlicht. Im LinguaMeta-Paper von 2024 wurde der zugrunde liegende Datensatz mit 7.511 Sprachen und BCP-47- sowie ISO-639-3-Codes dokumentiert. Jeder Datenpunkt ist mit einem Herkunftsvermerk versehen, damit er nachvollzogen und korrigiert werden kann. Bei abweichenden Angaben bevorzugten die Autorinnen und Autoren entweder die maßgeblichere Quelle oder recherchierten weiter in wissenschaftlichen Veröffentlichungen, Volkszählungsdaten und Verfassungen.

Dem Paper zufolge waren maschinelle Übersetzung, Spracherkennung und Sprachsynthese nur für rund 100 Sprachen umfassend verfügbar; für die meisten anderen war die Abdeckung mangelhaft oder gar nicht vorhanden. Diese Lücke verleiht den Metadaten einen praktischen Nutzen: Sprecherzahlen können dabei helfen, Arbeiten zu priorisieren, während Kombinationen aus Sprache, Schriftsystem und Gebietsschema genau angeben, welche Konstellationen ein lokalisiertes System bewältigen muss. Die Struktur des Repositorys hält diese Kombinationen in JSON-Datensätzen fest. Eine einfachere TSV-Zusammenfassung lässt hingegen Quelldetails, erweiterte Namen, Tags zur Verwendung von Schriftsystemen, Untersuchungen zum offiziellen Status und Koordinaten weg.

Vom Forschungsrepository zur Museumsinstallation

Language Explorer ist auch als interaktive Installation in Real Talk! Language. Power. World. im Museum of Communication Berlin zu sehen. Das Museum gibt den Ausstellungsbeginn mit dem 5. November 2026 an.

Sechs thematisch gestaltete Räume widmen sich den Sprachwelten, der Vielfalt, Identitäten, dem Sprachkontakt, der Macht und der Zukunft. Im letzten Raum geht es darum, wie KI und Chatbots die Kommunikation verändern und wie Forschende und Aktivistinnen und Aktivisten gefährdete Sprachen dokumentieren. Ein Online-Begleitangebot startete am 6. November 2026 und ergänzt dieselben sechs Perspektiven mit Hintergrundmaterial, Videos und Quizfragen. Dazu gehört auch der Zusammenhang zwischen KI und Mehrsprachigkeit. Sowohl für die Berliner Ausstellung als auch für das Begleitangebot ist der Zeitraum bis zum 27. Februar 2028 angegeben.

Ungleichmäßige Abdeckung und ein archiviertes Repository

Die Abdeckungstabelle des Papers zeigt erhebliche Unterschiede zwischen den Datenfeldern. Angaben zur Sprecherzahl lagen für 6.253 Sprachen beziehungsweise 83 % vor. Endonyme – die Bezeichnungen, die Sprachgemeinschaften für ihre eigenen Sprachen verwenden – waren dagegen nur für 1.136 Sprachen beziehungsweise 15 % dokumentiert. Die Karte bietet somit einen breiten Einstieg, während die Informationsdichte je nach Sprache und Kategorie stark variiert.

Für Bevölkerungsangaben gelten zusätzliche Einschränkungen. In den zugrunde liegenden Methoden werden Zweitsprachlerzahlen ausgelassen, weil verlässliche Statistiken schwer zu beschaffen waren. Größere Sprecherschätzungen werden auf eine Größenordnung gerundet, um eine Scheingenauigkeit zu vermeiden. Außerdem wird darauf hingewiesen, dass die Zusammenfassung von Bevölkerungszahlen nach Gebietsschema Fehler in den Quellen verstärken kann. Die Ressource konzentriert sich auf lebende gesprochene Sprachen; Gebärdensprachen, alte und historische Sprachen sowie konstruierte Sprachen sind ausgeschlossen. Makrosprachen und als ausgestorben eingestufte Sprachen sind enthalten. Letztere wurden aufgenommen, weil sich bei einigen kleine Sprechergruppen erhalten haben. Esperanto ist eine ausdrücklich genannte Ausnahme vom Ausschluss konstruierter Sprachen, da es bereits von mehreren Sprachtechnologien unterstützt wird.

Jede Kartenmarkierung kennzeichnet ein ungefähres Sprachzentrum, das anhand von Koordinaten aus Glottolog und manuellen Überarbeitungen ermittelt wurde. Die Website weist darauf hin, dass Sprachen von Gemeinschaften gesprochen werden, die umziehen oder politische Grenzen überschreiten können. Die Markierungen sollten daher nicht als feste Gebiete verstanden werden.

Auch bei der Pflege des Projekts gibt es widersprüchliche Hinweise. In den FAQ von Language Explorer wird LinguaMeta als aktives Projekt beschrieben; Forschende werden eingeladen, Korrekturen und Ressourcen beizusteuern.

Das übergeordnete Repository url-nlp enthält einen Archivierungshinweis von GitHub vom 6. Oktober 2026 und ist als schreibgeschützt gekennzeichnet. Der vollständige, versionskontrollierte Datensatz kann weiterhin heruntergeladen werden. Während Google die Benutzeroberfläche einem breiteren Publikum vorstellt, bleibt jedoch unklar, wie künftig Beiträge eingereicht werden können.