Google Research prezintă harta Language Explorer cu 7.000 de limbi

Google Research a prezentat Language Explorer la 9 noiembrie 2026, o platformă interactivă pentru explorarea geografiei limbilor, a sistemelor de scriere și a populațiilor de vorbitori. Prezentarea generală a lumii cuprinde aproximativ 7.000 de limbi și 159 de sisteme de scriere, iar înregistrările sunt menite să sprijine cercetarea lingvistică și dezvoltarea tehnologiilor lingvistice.

Dezvoltată în cadrul inițiativei Google 1,000 Languages, platforma transformă setul de date LinguaMeta, cu sursă deschisă, într-o interfață vizuală publică. Anunțul făcut de Daan van Esch și Uche Okonkwo leagă această interfață de un efort mai amplu de a face tehnologiile lingvistice utile pentru mai multe comunități din diversitatea lingvistică a lumii.

Un strat de metadate pentru tehnologiile lingvistice

Site-ul Language Explorer permite căutarea după numele limbii, țară sau regiune și continent sau subcontinent. Utilizatorii pot explora datele după numărul de vorbitori, gradul de periclitare sau sistemele de scriere, apoi pot selecta un marcator de pe hartă pentru a deschide o pagină detaliată despre limbă. Aceste pagini reunesc denumiri, localizări și identificatori, inclusiv etichete BCP-47, coduri Glottolog și ID-uri Wikidata, oferind puncte de referință consecvente în diferite resurse lingvistice.

Fiecare valoare afișată pe site provine din LinguaMeta, un depozit cu sursă deschisă care armonizează informațiile lingvistice din 19 surse citate. Lucrarea LinguaMeta din 2024 a documentat setul de date de bază, care cuprindea 7.511 limbi cu coduri BCP-47 și ISO 639-3, fiecare punct de date având o etichetă de proveniență pentru a permite trasabilitatea și corectarea. Când sursele nu erau de acord, autorii fie au preferat sursa mai autoritară, fie au efectuat cercetări suplimentare folosind publicații academice, materiale de recensământ și constituții.

Lucrarea a raportat că traducerea automată, recunoașterea vocală și sinteza vocală erau disponibile pe scară largă în doar aproximativ 100 de limbi, iar pentru majoritatea celorlalte limbilor acoperirea era de calitate scăzută sau inexistentă. Acest decalaj conferă metadatelor un rol practic: numărul de vorbitori poate ajuta la stabilirea priorităților, iar combinațiile dintre limbă, sistem de scriere și configurație regională identifică exact combinațiile pe care trebuie să le gestioneze un sistem localizat. Structura depozitului păstrează aceste combinații în înregistrări JSON; un rezumat TSV mai simplu omite detalii despre surse, denumiri extinse, etichete privind utilizarea sistemelor de scriere, cercetări despre statutul oficial și coordonate.

De la depozitul de cercetare la o instalație muzeală

Language Explorer este prezentat și ca instalație interactivă în cadrul expoziției Real Talk! Language. Power. World. de la Muzeul Comunicării din Berlin. Muzeul consemnează că expoziția s-a deschis la 5 noiembrie 2026.

Șase săli tematice abordează lumile lingvistice, diversitatea, identitățile, contactul, puterea și viitorul. Ultima sală explorează modul în care AI și chatboturile schimbă comunicarea și felul în care cercetătorii și activiștii documentează limbile pe cale de dispariție. O componentă online complementară a fost lansată la 6 noiembrie 2026, adăugând materiale de context, videoclipuri și chestionare care acoperă aceleași șase perspective, inclusiv relația dintre AI și multilingvism. Atât expoziția din Berlin, cât și componenta sa complementară sunt disponibile până la 27 februarie 2028.

Acoperire inegală și un depozit arhivat

Tabelul de acoperire din lucrare arată diferențe semnificative între domenii. Datele privind numărul de vorbitori erau disponibile pentru 6.253 de limbi, adică 83%, dar endonimele — denumirile pe care comunitățile le folosesc pentru propriile limbi — erau documentate pentru numai 1.136, adică 15%. Prin urmare, harta oferă un punct de plecare cuprinzător, însă nivelul de detaliu al informațiilor variază considerabil de la o limbă și o categorie la alta.

Valorile populației sunt însoțite de precizări suplimentare. Metodologia de bază exclude totalurile pentru vorbitorii de limbă secundară, deoarece statisticile fiabile erau greu de obținut, rotunjește estimările mai mari ale numărului de vorbitori la ordinul de mărime pentru a evita o precizie falsă și avertizează că însumarea populațiilor pe configurații regionale poate amplifica erorile din surse. Resursa se concentrează asupra limbilor vorbite vii: limbile semnate, antice, istorice și construite sunt excluse. Sunt incluse macrolimbile și limbile clasificate drept dispărute, acestea din urmă deoarece unele au păstrat comunități mici de vorbitori. Esperanto este o excepție explicită de la excluderea limbilor construite, deoarece mai multe tehnologii lingvistice îl acceptă deja.

Fiecare marcator de pe hartă indică un centru lingvistic aproximativ, stabilit pe baza coordonatelor Glottolog și a revizuirilor manuale. Site-ul atrage atenția că limbile sunt vorbite de comunități care se pot deplasa sau pot trece dincolo de granițele politice, astfel că marcatorii nu trebuie interpretați ca teritorii fixe.

Există și o neconcordanță privind întreținerea proiectului. Secțiunea FAQ din Explorer descrie LinguaMeta drept un proiect activ și invită cercetătorii să contribuie cu corecturi și resurse.

Depozitul url-nlp care îl conține are o notificare de arhivare pe GitHub, datată 6 octombrie 2026, și este marcat ca fiind disponibil doar pentru citire. Setul de date complet, cu controlul versiunilor, poate fi în continuare descărcat, însă acest statut nu clarifică modalitatea de a contribui pe viitor, în timp ce Google prezintă interfața unui public mai larg.