Google Research viser fram Language Explorers kart over 7 000 språk

Google Research presenterte Language Explorer 9. november 2026, en interaktiv plattform for å utforske språkgeografi, skriftsystemer og talerbefolkninger. Verdensoversikten omfatter rundt 7 000 språk og 159 skriftsystemer, med oppføringer som skal støtte lingvistisk forskning og utvikling av språkteknologi.

Plattformen er utviklet som en del av Googles 1,000 Languages Initiative og gjør det åpne LinguaMeta-datasettet tilgjengelig gjennom et offentlig visuelt grensesnitt. Kunngjøringen fra Daan van Esch og Uche Okonkwo knytter grensesnittet til en bredere innsats for å gjøre språkteknologi nyttig for flere av verdens språklige mangfold.

Et metadatalag for språkteknologi

Language Explorer-nettstedet støtter søk etter språknavn, land eller region og kontinent eller subkontinent. Brukerne kan bla etter antall talere, status for utrydningstruede språk eller skriftsystemer, og deretter velge en kartnål for å åpne en detaljert språkprofil. Profilene samler navn, steder og identifikatorer, blant annet BCP-47-tagger, Glottocode-koder og Wikidata-ID-er, og gir dermed ensartede referansepunkter på tvers av språkressurser.

Alle verdiene som vises på nettstedet, kommer fra LinguaMeta, et åpent repositorium som samordner språkinformasjon fra 19 oppgitte kilder. LinguaMeta-artikkelen fra 2024 dokumenterte at det underliggende datasettet omfattet 7 511 språk med BCP-47- og ISO 639-3-koder, og at hvert datapunkt hadde en kildeetikett for å sikre sporbarhet og gjøre korrigeringer mulig. Når kildene var uenige, valgte forfatterne enten den mest autoritative kilden eller undersøkte saken nærmere ved hjelp av akademiske publikasjoner, folketellingsmateriale og grunnlover.

Artikkelen rapporterte at maskinoversettelse, talegjenkjenning og tekst-til-tale var bredt tilgjengelig på bare rundt 100 språk, mens dekningen for de fleste andre språk var mangelfull eller fraværende. Dette gapet gir metadataene en praktisk funksjon: talertall kan bidra til å prioritere innsatsen, mens kombinasjoner av språk, skriftsystem og lokalitet identifiserer nøyaktig hvilke kombinasjoner et lokalisert system må håndtere. Strukturen i repositoriet bevarer disse kombinasjonene i JSON-oppføringer. En enklere TSV-oversikt utelater kildeopplysninger, utvidede navn, tagger for bruk av skriftsystemer, undersøkelser av offisiell status og koordinater.

Fra forskningsrepositorium til museumsinstallasjon

Language Explorer vises også som en interaktiv installasjon i Real Talk! Language. Power. World. ved Museum of Communication Berlin. Museet oppgir at utstillingen åpnet 5. november 2026.

Seks temarom tar for seg språklige verdener, mangfold, identiteter, kontakt, makt og framtiden. Det siste rommet spør hvordan KI og chatboter endrer kommunikasjonen, og hvordan forskere og aktivister dokumenterer språk som står i fare for å dø ut. En digital følgeside åpnet 6. november 2026 og tilbyr bakgrunnsmateriale, videoer og quizer med utgangspunkt i de samme seks perspektivene, blant annet forholdet mellom KI og flerspråklighet. Både utstillingen i Berlin og følgesiden er oppført fram til 27. februar 2028.

Ujevn dekning og et arkivert repositorium

Artikkelens dekningstabell viser betydelige forskjeller mellom feltene. Opplysninger om antall talere var tilgjengelige for 6 253 språk, eller 83 %, mens endonymer, navnene språkfellesskapene bruker om sine egne språk, bare var dokumentert for 1 136 språk, eller 15 %. Kartet gir dermed et bredt utgangspunkt, men informasjonsdybden varierer betydelig mellom språk og kategorier.

Befolkningstallene er også beheftet med forbehold. Metodene bak datasettet utelater tall for andrespråkstalere fordi det var vanskelig å få tak i pålitelig statistikk, avrunder større anslag over antall talere etter størrelsesorden for å unngå falsk presisjon og advarer om at summering av befolkningstall for ulike lokaliteter kan forsterke feil i kildene. Ressursen fokuserer på levende talespråk: tegnspråk, utdødde språk, historiske språk og konstruerte språk er utelatt. Makrospråk og språk som er klassifisert som utdødd, er inkludert; sistnevnte fordi noen fortsatt har små talerfellesskap. Esperanto er et uttrykkelig unntak fra utelukkelsen av konstruerte språk, ettersom flere språkteknologier allerede støtter det.

Hver kartnål markerer et omtrentlig språksentrum basert på koordinater fra Glottolog og manuelle justeringer. Nettstedet påpeker at språk snakkes av fellesskap som kan flytte på seg eller krysse politiske grenser, og at kartnålene derfor ikke bør tolkes som faste territorier.

Det er også et avvik når det gjelder vedlikehold. I vanlige spørsmål beskriver Explorer LinguaMeta som et aktivt prosjekt og inviterer forskere til å bidra med rettelser og ressurser.

Det tilhørende url-nlp-repositoriet har en arkivmerknad fra GitHub datert 6. oktober 2026 og er merket som skrivebeskyttet. Det fullstendige, versjonskontrollerte datasettet kan fortsatt lastes ned, men denne statusen gjør det uklart hvordan framtidige bidrag skal gis, samtidig som Google presenterer grensesnittet for et bredere publikum.