O Google Research apresenta o mapa de 7.000 idiomas do Language Explorer

O Google Research apresentou o Language Explorer em 9 de novembro de 2026, uma plataforma interativa para explorar a geografia dos idiomas, seus sistemas de escrita e o número de falantes. A visão geral do mundo abrange cerca de 7.000 idiomas e 159 sistemas de escrita, com registros destinados a apoiar a pesquisa linguística e o desenvolvimento de tecnologias da linguagem.

Desenvolvida no âmbito da iniciativa 1.000 Idiomas do Google, a plataforma transforma o conjunto de dados de código aberto LinguaMeta em uma interface visual pública. O anúncio de Daan van Esch e Uche Okonkwo conecta essa interface a um esforço mais amplo para tornar as tecnologias da linguagem úteis em meio à maior diversidade linguística do mundo.

Uma camada de metadados para as tecnologias da linguagem

O site do Language Explorer permite pesquisar por nome do idioma, país ou região e continente ou subcontinente. Os usuários podem navegar por número de falantes, grau de risco de extinção ou sistema de escrita e, em seguida, selecionar um marcador no mapa para abrir uma página detalhada sobre o idioma. Essas páginas reúnem nomes, localizações e identificadores, incluindo códigos BCP-47, Glottocodes e IDs do Wikidata, oferecendo pontos de referência consistentes entre recursos linguísticos.

Todos os valores exibidos no site vêm do LinguaMeta, um repositório de código aberto que harmoniza informações sobre idiomas de 19 fontes citadas. O artigo de 2024 sobre o LinguaMeta documentou o conjunto de dados subjacente, que abrangia 7.511 idiomas com códigos BCP-47 e ISO 639-3, e incluía uma etiqueta de origem para cada dado, permitindo rastreabilidade e correções. Quando as fontes divergiam, os autores davam preferência à fonte mais confiável ou realizavam pesquisas adicionais em publicações acadêmicas, materiais censitários e constituições.

O artigo relatou que a tradução automática, o reconhecimento de fala e a conversão de texto em fala estavam amplamente disponíveis em apenas cerca de 100 idiomas, enquanto a cobertura para a maioria dos demais era de baixa qualidade ou inexistente. Essa lacuna dá aos metadados uma função prática: o número de falantes pode ajudar a priorizar o trabalho, enquanto as combinações de idioma, sistema de escrita e localidade identificam exatamente quais combinações um sistema localizado precisa atender. A estrutura do repositório preserva essas combinações em registros JSON; um resumo mais simples em TSV omite detalhes das fontes, nomes estendidos, etiquetas de uso dos sistemas de escrita, pesquisas sobre status oficial e coordenadas.

Do repositório de pesquisa à instalação em museu

O Language Explorer também é apresentado como uma instalação interativa na exposição Real Talk! Language. Power. World., no Museum of Communication Berlin. O museu registra a abertura da exposição em 5 de novembro de 2026.

Seis salas temáticas abordam os mundos das línguas, a diversidade, as identidades, o contato, o poder e o futuro. A última sala pergunta como a IA e os chatbots estão mudando a comunicação e como pesquisadores e ativistas estão documentando idiomas ameaçados. Um complemento online foi lançado em 6 de novembro de 2026, com materiais de contextualização, vídeos e questionários sobre as mesmas seis perspectivas, incluindo a relação entre IA e multilinguismo. A exposição em Berlim e seu complemento estão programados até 27 de fevereiro de 2028.

Cobertura desigual e um repositório arquivado

A tabela de cobertura do artigo mostra diferenças substanciais entre os campos. Havia dados sobre o número de falantes para 6.253 idiomas, ou 83%, mas os endônimos — os nomes que as comunidades dão aos próprios idiomas — estavam documentados para apenas 1.136, ou 15%. Assim, o mapa oferece um ponto de partida abrangente, embora a profundidade das informações varie consideravelmente conforme o idioma e a categoria.

Os dados populacionais vêm acompanhados de ressalvas adicionais. Os métodos subjacentes omitem os totais de falantes de segunda língua porque era difícil obter estatísticas confiáveis, arredondam por ordem de grandeza as estimativas mais altas de falantes para evitar uma falsa precisão e alertam que agregar as populações por localidade pode ampliar os erros presentes nas fontes. O recurso se concentra em idiomas falados vivos: idiomas de sinais, antigos, históricos e construídos são excluídos. Macrolínguas e idiomas classificados como extintos são incluídos; estes últimos, porque algumas comunidades ainda contam com um pequeno número de falantes. O esperanto é uma exceção expressa à exclusão dos idiomas construídos, pois várias tecnologias da linguagem já oferecem suporte a ele.

Cada marcador do mapa indica um centro linguístico aproximado, definido com base em coordenadas do Glottolog e revisões manuais. O site alerta que os idiomas são falados por comunidades que podem se deslocar ou atravessar fronteiras políticas; por isso, os marcadores não devem ser interpretados como territórios fixos.

Há também uma discrepância quanto à manutenção. A seção de perguntas frequentes do Explorer descreve o LinguaMeta como um projeto ativo e convida pesquisadores a contribuir com correções e recursos.

O repositório url-nlp que contém esses arquivos traz um aviso de arquivamento do GitHub datado de 6 de outubro de 2026 e está marcado como somente leitura. O conjunto de dados completo, com controle de versões, continua disponível para download, mas esse status deixa pouco claro como serão feitas contribuições futuras enquanto o Google apresenta a interface a um público mais amplo.