Google Research esittelee Language Explorerin 7 000 kielen kartan

Google Research esitteli Language Explorerin 9. marraskuuta 2026. Se on vuorovaikutteinen alusta kielten maantieteellisen levinneisyyden, kirjoitusjärjestelmien ja puhujamäärien tarkasteluun. Maailmankatsaus kattaa noin 7 000 kieltä ja 159 kirjoitusjärjestelmää, ja tietojen on tarkoitus tukea kielitieteellistä tutkimusta ja kieliteknologian kehittämistä.

Googlen 1,000 Languages Initiative -hankkeen puitteissa kehitetty alusta muuntaa avoimen lähdekoodin LinguaMeta-aineiston julkiseksi visuaaliseksi käyttöliittymäksi. Daan van Eschin ja Uche Okonkwon julkistama käyttöliittymä liittyy laajempaan pyrkimykseen tehdä kieliteknologioista hyödyllisiä yhä suuremmalle osalle maailman kielellisestä monimuotoisuudesta.

Kieliteknologian metatietokerros

Language Explorer -sivustolla voi hakea kielen nimen, maan tai alueen sekä maanosan tai sen osa-alueen perusteella. Käyttäjät voivat selata kieliä puhujamäärän, uhanalaisuuden tai kirjoitusjärjestelmän mukaan ja avata sitten yksityiskohtaisen kielisivun valitsemalla karttamerkinnän. Sivut kokoavat yhteen kielten nimet, sijainnit ja tunnisteet, kuten BCP-47-tunnisteet, Glottocode-tunnisteet ja Wikidata-tunnukset, jotka tarjoavat yhdenmukaisia vertailukohtia eri kieliresurssien välillä.

Kaikki sivustolla näkyvät arvot ovat peräisin LinguaMetasta, avoimen lähdekoodin tietovarannosta, joka yhdenmukaistaa 19 lähteessä julkaistuja kielitietoja. Vuoden 2024 LinguaMeta-julkaisussa kuvattiin taustalla olevaan aineistoon kuuluvat 7 511 kieltä sekä niiden BCP-47- ja ISO 639-3 -koodit. Jokaisessa datapisteessä on alkuperää koskeva tunniste, jonka avulla tiedot voidaan jäljittää ja korjata. Jos lähteet olivat ristiriidassa, kirjoittajat joko suosivat luotettavampaa lähdettä tai tekivät lisätutkimusta tieteellisten julkaisujen, väestönlaskentatietojen ja perustuslakien avulla.

Julkaisun mukaan konekäännös, puheentunnistus ja tekstin muuntaminen puheeksi olivat laajasti saatavilla vain noin 100 kielellä, ja useimpien muiden kielten tuki oli heikkolaatuista tai puuttui kokonaan. Tämä puute tekee metatiedoista käytännössä hyödyllisiä: puhujamäärät voivat auttaa asettamaan työn painopisteitä, ja kieli–kirjoitusjärjestelmä–alueasetus-yhdistelmät yksilöivät tarkasti, mitkä yhdistelmät lokalisoidun järjestelmän on pystyttävä käsittelemään. Tietovarannon rakenne säilyttää nämä yhdistelmät JSON-tietueissa. Yksinkertaisemmasta TSV-yhteenvedosta puuttuvat lähdetiedot, laajennetut nimet, kirjoitusjärjestelmän käyttöä koskevat tunnisteet, virallista asemaa koskeva tutkimustieto ja koordinaatit.

Tutkimustietovarannosta museonäyttelyksi

Language Explorer on esillä myös vuorovaikutteisena installaationa näyttelyssä Real Talk! Language. Power. World. Museum of Communication Berlinissä. Museon mukaan näyttely avattiin 5. marraskuuta 2026.

Kuudessa teemahuoneessa käsitellään kielten maailmoja, monimuotoisuutta, identiteettejä, kontakteja, valtaa ja tulevaisuutta. Viimeisessä huoneessa pohditaan, miten tekoäly ja chatbotit muuttavat viestintää ja miten tutkijat ja aktivistit dokumentoivat uhanalaisia kieliä. Verkossa julkaistu oheisaineisto avattiin 6. marraskuuta 2026. Se sisältää taustamateriaalia, videoita ja tietovisoja kuudesta samasta näkökulmasta, mukaan lukien tekoälyn ja monikielisyyden suhde. Sekä Berliinin näyttely että sen oheisaineisto ovat esillä 27. helmikuuta 2028 asti.

Tietovarannon epätasainen kattavuus ja arkistointi

Julkaisun kattavuustaulukko osoittaa, että eri tietokenttien välillä on huomattavia eroja. Puhujamäärätiedot olivat saatavilla 6 253 kielestä eli 83 prosentista, mutta endonyymit eli nimet, joilla yhteisöt itse kutsuvat kieliään, oli dokumentoitu vain 1 136 kielen eli 15 prosentin osalta. Kartta tarjoaa siis laajan lähtökohdan, mutta tietojen määrä vaihtelee huomattavasti kielen ja tietoluokan mukaan.

Puhujamäärätietoihin liittyy myös varauksia. Taustalla käytetyissä menetelmissä ei huomioida toisena kielenä puhuvien kokonaismääriä, koska luotettavia tilastoja oli vaikea saada. Suuremmat puhujamääräarviot pyöristetään suuruusluokan tarkkuudella näennäistarkkuuden välttämiseksi, ja lisäksi varoitetaan, että aluekohtaisten puhujamäärien yhdistäminen voi kasvattaa lähteissä olevia virheitä. Aineisto keskittyy eläviin puhuttuihin kieliin: viittomakielet, muinaiset ja historialliset kielet sekä rakennetut kielet on jätetty pois. Makrokielet ja sukupuuttoon kuolleiksi luokitellut kielet ovat mukana; jälkimmäisiin kuuluu kieliä, joilla on yhä pieni puhujayhteisö. Esperanto on mainittu poikkeuksena rakennettujen kielten rajauksesta, koska useat kieliteknologiat tukevat sitä jo.

Kukin karttamerkintä osoittaa Glottolog-koordinaattien ja manuaalisten tarkistusten perusteella määritetyn kielen likimääräisen keskipisteen. Sivustolla muistutetaan, että kieliä puhuvat yhteisöt voivat muuttaa tai ylittää poliittisia rajoja, joten merkintöjä ei pidä tulkita kiinteiksi alueiksi.

Ylläpidon tilasta on myös ristiriitaista tietoa. Explorerin usein kysytyissä kysymyksissä LinguaMetaa kuvataan aktiiviseksi hankkeeksi, ja tutkijoita kannustetaan lähettämään korjauksia ja resursseja.

Tietovarannon sisältävä url-nlp-arkisto on merkitty GitHubissa arkistoiduksi 6. lokakuuta 2026, ja se on vain luku -tilassa. Koko versiohallittu aineisto on edelleen ladattavissa, mutta arkistointi jättää epäselväksi, miten aineistoon voi tehdä tulevaisuudessa lisäyksiä Googlen esitellessä käyttöliittymää laajemmalle yleisölle.