Google Research prezentuje mapę Language Explorer obejmującą 7 000 języków

9 listopada 2026 r. Google Research zaprezentowało Language Explorer — interaktywną platformę do badania rozmieszczenia języków, systemów pisma i liczby ich użytkowników. Przegląd świata obejmuje około 7 000 języków i 159 systemów pisma, a zgromadzone dane mają wspierać badania lingwistyczne i rozwój technologii językowych.

Platforma, opracowana w ramach inicjatywy Google 1,000 Languages Initiative, przekształca otwarty zbiór danych LinguaMeta w publicznie dostępną wizualną prezentację. Ogłoszenie Daan van Escha i Uche Okonkwo łączy tę prezentację z szerszymi działaniami na rzecz upowszechnienia technologii językowych wśród większej części różnorodności językowej świata.

Warstwa metadanych dla technologii językowych

W serwisie Language Explorer można wyszukiwać języki według ich nazw, krajów lub regionów, a także kontynentów lub subkontynentów. Użytkownicy mogą przeglądać dane według liczby użytkowników, stopnia zagrożenia lub systemu pisma, a następnie wybrać znacznik na mapie, by otworzyć szczegółową stronę danego języka. Strony te gromadzą nazwy, lokalizacje i identyfikatory, w tym tagi BCP-47, kody Glottocode i identyfikatory Wikidata, zapewniając spójne punkty odniesienia dla różnych zasobów językowych.

Wszystkie wartości wyświetlane w serwisie pochodzą z LinguaMeta — otwartego repozytorium, które ujednolica informacje o językach z 19 cytowanych źródeł. W artykule LinguaMeta z 2024 r. opisano bazowy zbiór danych obejmujący 7 511 języków z kodami BCP-47 i ISO 639-3; każdy punkt danych ma oznaczenie pochodzenia, co ułatwia jego weryfikację i korygowanie. Gdy źródła podawały rozbieżne informacje, autorzy albo wybierali bardziej wiarygodne źródło, albo prowadzili dalsze badania z wykorzystaniem publikacji naukowych, danych spisowych i konstytucji.

W artykule podano, że tłumaczenie maszynowe, rozpoznawanie mowy i synteza mowy były powszechnie dostępne zaledwie dla około 100 języków, a w przypadku większości pozostałych języków rozwiązania te miały niską jakość lub w ogóle nie były dostępne. Ta luka sprawia, że metadane mają praktyczne zastosowanie: liczba użytkowników języka może pomóc w ustalaniu priorytetów prac, a kombinacje języka, systemu pisma i ustawień regionalnych pozwalają określić, jakie dokładnie warianty musi obsługiwać system zlokalizowany. Struktura repozytorium zachowuje te kombinacje w rekordach JSON; prostsze zestawienie TSV pomija informacje o źródłach, rozszerzone nazwy, tagi dotyczące użycia systemów pisma, badania nad statusem urzędowym oraz współrzędne.

Od repozytorium badawczego do instalacji muzealnej

Language Explorer jest również dostępny jako interaktywna instalacja na wystawie Prawdziwa rozmowa! Język. Władza. Świat. w Muzeum Komunikacji w Berlinie. Według informacji muzeum wystawa została otwarta 5 listopada 2026 r.

Sześć sal tematycznych poświęcono światom językowym, różnorodności, tożsamościom, kontaktom, władzy i przyszłości. W ostatniej sali postawiono pytania o to, jak sztuczna inteligencja i chatboty zmieniają komunikację oraz jak badacze i aktywiści dokumentują zagrożone języki. Internetowy serwis towarzyszący uruchomiono 6 listopada 2026 r.; zamieszczono w nim materiały kontekstowe, filmy i quizy dotyczące tych samych sześciu perspektyw, w tym relacji między sztuczną inteligencją a wielojęzycznością. Zarówno berlińska wystawa, jak i jej serwis towarzyszący są dostępne do 27 lutego 2028 r.

Nierównomierny zakres danych i zarchiwizowane repozytorium

Tabela zakresu danych w artykule pokazuje znaczne różnice między poszczególnymi kategoriami. Dane o liczbie użytkowników były dostępne dla 6 253 języków, czyli 83%, natomiast endonimy — nazwy, których społeczności używają w odniesieniu do własnych języków — udokumentowano tylko dla 1 136 języków, czyli 15%. Mapa stanowi więc szeroki punkt wyjścia, ale szczegółowość informacji znacznie różni się w zależności od języka i kategorii.

Dane dotyczące liczby użytkowników języków są opatrzone dodatkowymi zastrzeżeniami. Zastosowane metody pomijają łączną liczbę osób posługujących się językami jako drugim językiem, ponieważ trudno było uzyskać wiarygodne statystyki; większe szacunki liczby użytkowników zaokrąglają do rzędu wielkości, by uniknąć pozornej precyzji; ostrzegają też, że sumowanie liczby użytkowników w poszczególnych wariantach regionalnych może spotęgować błędy obecne w źródłach. Zasób koncentruje się na żywych językach mówionych: wykluczono języki migowe, starożytne, historyczne i sztuczne. Uwzględniono makrojęzyki oraz języki sklasyfikowane jako wymarłe; te ostatnie włączono, ponieważ niektóre z nich nadal mają niewielkie społeczności użytkowników. Esperanto stanowi wyraźnie wskazany wyjątek od wykluczenia języków sztucznych, ponieważ obsługuje je już kilka technologii językowych.

Każdy znacznik na mapie wskazuje umowne centrum języka, wyznaczone na podstawie współrzędnych Glottolog i ręcznych korekt. Serwis zwraca uwagę, że językami posługują się społeczności, które mogą się przemieszczać lub przekraczać granice polityczne, dlatego znaczników nie należy traktować jako wyznaczników stałych terytoriów.

Występuje również rozbieżność dotycząca utrzymania projektu. Sekcja FAQ Language Explorer przedstawia LinguaMeta jako aktywny projekt i zachęca badaczy do zgłaszania poprawek oraz przekazywania zasobów.

Repozytorium nadrzędne url-nlp zawiera datowane na 6 października 2026 r. powiadomienie GitHub o archiwizacji i ma status tylko do odczytu. Pełny, objęty kontrolą wersji zbiór danych nadal można pobrać, ale ten status sprawia, że nie wiadomo, jak będzie można wnosić dalszy wkład, gdy Google udostępnia szerszemu gronu odbiorców interfejs.