Google Research presenteert de kaart van Language Explorer met 7.000 talen

Google Research presenteerde Language Explorer op 9 november 2026: een interactief platform om de geografische spreiding van talen, schriften en sprekersaantallen te onderzoeken. Het wereldwijde overzicht omvat ongeveer 7.000 talen en 159 schriften, met gegevens die bedoeld zijn ter ondersteuning van taalkundig onderzoek en de ontwikkeling van taaltechnologie.

Het platform is ontwikkeld in het kader van Google’s 1.000 Languages Initiative en zet de openbrondataset LinguaMeta om in een openbare visuele interface. De aankondiging van Daan van Esch en Uche Okonkwo plaatst die interface in de context van een bredere inspanning om taaltechnologieën bruikbaar te maken voor meer van de taalkundige diversiteit in de wereld.

Een metadatalaag voor taaltechnologie

De website van Language Explorer maakt zoeken mogelijk op taalnaam, land of regio, en continent of subcontinent. Gebruikers kunnen bladeren op basis van het aantal sprekers, de mate van bedreiging of het schrift, en vervolgens een kaartmarkering selecteren om een gedetailleerde taalpagina te openen. Op die pagina’s staan namen, locaties en identificatiegegevens bij elkaar, waaronder BCP-47-tags, Glottocodes en Wikidata-ID’s. Zo bieden ze consistente referentiepunten voor verschillende taalbronnen.

Alle waarden op de website zijn afkomstig uit LinguaMeta, een open-source gegevensverzameling die taalinformatie uit 19 geciteerde bronnen op elkaar afstemt. In het artikel uit 2024 over LinguaMeta werd de onderliggende gegevensverzameling beschreven: 7.511 talen met BCP-47- en ISO 639-3-codes. Elk gegevenspunt heeft een herkomstlabel, zodat het traceerbaar en corrigeerbaar is. Als bronnen elkaar tegenspraken, kozen de auteurs voor de gezaghebbendste bron of deden ze verder onderzoek aan de hand van wetenschappelijke publicaties, censusgegevens en grondwetten.

In het artikel stond dat automatische vertaling, spraakherkenning en tekst-naar-spraak in slechts ongeveer 100 talen op grote schaal beschikbaar waren; voor de meeste andere talen was de dekking van lage kwaliteit of ontbrak die helemaal. Door die lacune krijgen de metagegevens een praktische functie: het aantal sprekers kan helpen om werk te prioriteren, terwijl combinaties van taal, schrift en locale aangeven welke specifieke combinaties een gelokaliseerd systeem moet ondersteunen. De structuur van de gegevensverzameling bewaart die combinaties in JSON-records. Een eenvoudiger TSV-overzicht laat brongegevens, uitgebreide namen, tags voor schriftgebruik, onderzoek naar de officiële status en coördinaten weg.

Van onderzoeksrepository naar museale installatie

Language Explorer is ook te zien als interactieve installatie in Real Talk! Language. Power. World. in het Museum of Communication Berlin. Volgens de gegevens van het museum opende de tentoonstelling op 5 november 2026.

Zes thematische ruimtes gaan over de taalwereld, diversiteit, identiteiten, contact, macht en de toekomst. In de laatste ruimte wordt gevraagd hoe AI en chatbots de communicatie veranderen en hoe onderzoekers en activisten bedreigde talen documenteren. Een online aanvulling ging op 6 november 2026 van start, met achtergrondmateriaal, video’s en quizzen over dezelfde zes perspectieven, waaronder de relatie tussen AI en meertaligheid. Zowel de tentoonstelling in Berlijn als de online aanvulling staan vermeld tot en met 27 februari 2028.

Ongelijke dekking en een gearchiveerde repository

De dekkingstabel in de publicatie laat aanzienlijke verschillen tussen de gegevensvelden zien. Voor 6.253 talen waren gegevens over het aantal sprekers beschikbaar, oftewel 83%, maar endoniemen — de namen die gemeenschappen voor hun eigen taal gebruiken — waren slechts voor 1.136 talen gedocumenteerd, oftewel 15%. De kaart biedt dus een breed startpunt, maar de hoeveelheid informatie verschilt aanzienlijk per taal en categorie.

Bij de bevolkingsgegevens gelden aanvullende kanttekeningen. In de onderliggende methodologie zijn aantallen tweedetaalsprekers weggelaten omdat betrouwbare statistieken moeilijk te verkrijgen waren. Grotere schattingen van het aantal sprekers zijn op orde van grootte afgerond om schijnnauwkeurigheid te voorkomen, en de auteurs waarschuwen dat het optellen van populaties per locale fouten in de bronnen kan vergroten. De gegevensbron richt zich op levende gesproken talen: gebarentalen, oude, historische en geconstrueerde talen zijn uitgesloten. Macrotalen en als uitgestorven geclassificeerde talen zijn wel opgenomen; dat laatste omdat sommige daarvan nog kleine sprekersgemeenschappen hebben. Esperanto is een expliciete uitzondering op de uitsluiting van geconstrueerde talen, omdat verschillende taaltechnologieën het al ondersteunen.

Elke kaartmarkering geeft een fictief taalkundig centrum aan, afgeleid van coördinaten uit Glottolog en handmatige aanpassingen. De website waarschuwt dat talen worden gesproken door gemeenschappen die zich kunnen verplaatsen of landsgrenzen kunnen overschrijden. De markeringen moeten daarom niet als vaste territoria worden opgevat.

Ook is er een verschil in informatie over het onderhoud. In de FAQ van Explorer wordt LinguaMeta omschreven als een actief project en worden onderzoekers uitgenodigd correcties en bronnen aan te dragen.

De overkoepelende repository url-nlp bevat een GitHub-archiefmelding van 6 oktober 2026 en is gemarkeerd als alleen-lezen. De volledige dataset met versiebeheer kan nog steeds worden gedownload, maar door die status is onduidelijk hoe bijdragen in de toekomst kunnen worden ingediend, nu Google de interface aan een breder publiek presenteert.