Google Research presenta el mapa de 7.000 lenguas de Language Explorer

Google Research presentó Language Explorer el 9 de noviembre de 2026, una plataforma interactiva para examinar la geografía de las lenguas, sus sistemas de escritura y sus poblaciones de hablantes. Su vista general del mundo abarca unas 7.000 lenguas y 159 sistemas de escritura, con registros destinados a respaldar la investigación lingüística y el desarrollo de tecnologías del lenguaje.

Desarrollada en el marco de la iniciativa 1,000 Languages de Google, la plataforma convierte el conjunto de datos de código abierto LinguaMeta en una interfaz visual de acceso público. El anuncio de Daan van Esch y Uche Okonkwo vincula esa interfaz con un esfuerzo más amplio por hacer que las tecnologías del lenguaje sean útiles en una mayor parte de la diversidad lingüística del mundo.

Una capa de metadatos para las tecnologías del lenguaje

El sitio de Language Explorer permite buscar por nombre de lengua, país o región, y continente o subcontinente. Los usuarios pueden explorar las lenguas según el número de hablantes, su grado de peligro o sus sistemas de escritura, y luego seleccionar un marcador del mapa para abrir una página detallada sobre la lengua. Esas páginas reúnen nombres, ubicaciones e identificadores, como etiquetas BCP-47, Glottocodes e ID de Wikidata, que ofrecen puntos de referencia coherentes entre distintos recursos lingüísticos.

Todos los valores que se muestran en el sitio proceden de LinguaMeta, un repositorio de código abierto que armoniza información lingüística de 19 fuentes citadas. El artículo de LinguaMeta de 2024 documentó el conjunto de datos subyacente, que abarca 7.511 lenguas con códigos BCP-47 e ISO 639-3, y asignó una etiqueta de procedencia a cada dato para facilitar su rastreo y corrección. Cuando las fuentes discrepaban, los autores optaban por la más autorizada o realizaban investigaciones adicionales a partir de publicaciones académicas, datos censales y constituciones.

El artículo indicaba que la traducción automática, el reconocimiento del habla y la conversión de texto a voz estaban ampliamente disponibles en solo unas 100 lenguas, mientras que para la mayoría de las demás la cobertura era de baja calidad o inexistente. Esa brecha da a los metadatos una utilidad práctica: las cifras de hablantes pueden ayudar a priorizar el trabajo, mientras que las combinaciones de lengua, sistema de escritura y configuración regional identifican las combinaciones exactas que debe admitir un sistema localizado. La estructura del repositorio conserva esas combinaciones en registros JSON; un resumen TSV más sencillo omite detalles sobre las fuentes, nombres extendidos, etiquetas de uso de los sistemas de escritura, investigaciones sobre el estatus oficial y coordenadas.

Del repositorio de investigación a una instalación museística

Language Explorer también se presenta como una instalación interactiva en Real Talk! Language. Power. World., en el Museum of Communication Berlin. El museo registra que la exposición se inauguró el 5 de noviembre de 2026.

Seis salas temáticas abordan los mundos lingüísticos, la diversidad, las identidades, el contacto, el poder y el futuro. La última sala plantea cómo la IA y los chatbots están cambiando la comunicación y cómo investigadores y activistas documentan las lenguas en peligro. El complemento en línea se puso en marcha el 6 de noviembre de 2026 y añadió materiales de contexto, vídeos y cuestionarios sobre las mismas seis perspectivas, incluida la relación entre la IA y el multilingüismo. Tanto la exposición de Berlín como su complemento figuran en la programación hasta el 27 de febrero de 2028.

Cobertura desigual y un repositorio archivado

La tabla de cobertura del artículo muestra diferencias considerables entre los campos. Había cifras de población de hablantes para 6.253 lenguas, es decir, el 83 %, pero los endónimos —los nombres que las comunidades dan a sus propias lenguas— solo estaban documentados para 1.136, o el 15 %. Por tanto, el mapa ofrece un punto de partida amplio, aunque la profundidad de la información varía considerablemente según la lengua y la categoría.

Las cifras de población están sujetas a otras salvedades. Los métodos subyacentes excluyen los totales de hablantes de segundas lenguas porque era difícil obtener estadísticas fiables, redondean por orden de magnitud las estimaciones más altas de hablantes para evitar una precisión engañosa y advierten que sumar las poblaciones de distintas configuraciones regionales puede amplificar los errores de las fuentes. El recurso se centra en las lenguas habladas vivas: excluye las lenguas de señas, antiguas, históricas y construidas. Incluye las macrolenguas y las lenguas clasificadas como extintas; estas últimas, porque algunas aún cuentan con pequeñas comunidades de hablantes. El esperanto constituye una excepción explícita a la exclusión de las lenguas construidas, ya que varias tecnologías del lenguaje ya son compatibles con él.

Cada marcador del mapa señala un centro lingüístico teórico, calculado a partir de las coordenadas de Glottolog y de revisiones manuales. El sitio advierte que las lenguas son habladas por comunidades que pueden desplazarse o cruzar fronteras políticas, por lo que los marcadores no deben interpretarse como territorios fijos.

También existe una discrepancia en cuanto al mantenimiento. Las preguntas frecuentes de Explorer describen LinguaMeta como un proyecto activo e invitan a los investigadores a aportar correcciones y recursos.

El repositorio contenedor url-nlp incluye un aviso de archivo en GitHub fechado el 6 de octubre de 2026 y está marcado como de solo lectura. El conjunto de datos completo y con control de versiones sigue disponible para su descarga, pero ese estado deja poco claro cómo se podrán realizar futuras contribuciones mientras Google presenta la interfaz a un público más amplio.