Google Research visar upp Language Explorers karta över 7 000 språk

Google Research presenterade Language Explorer den 9 november 2026, en interaktiv plattform för att undersöka språkens geografiska utbredning, skriftsystem och antal talare. Översikten över världen omfattar omkring 7 000 språk och 159 skriftsystem. Uppgifterna är avsedda att stödja språkvetenskaplig forskning och utveckling av språkteknik.

Plattformen har utvecklats inom ramen för Googles 1,000 Languages Initiative och omvandlar den öppna datamängden LinguaMeta till ett publikt visuellt gränssnitt. Tillkännagivandet från Daan van Esch och Uche Okonkwo knyter gränssnittet till en bredare satsning på att göra språkteknik användbar för fler människor i världens språkliga mångfald.

Ett metadataunderlag för språkteknik

På Language Explorers webbplats går det att söka efter språk, land eller region samt världsdel eller subregion. Användarna kan utforska språken utifrån antal talare, hotstatus eller skriftsystem och sedan välja en kartnål för att öppna en detaljerad språkprofil. Profilerna samlar namn, geografiska platser och identifierare, däribland BCP-47-taggar, Glottocode-koder och Wikidata-ID:n, vilket ger enhetliga referenspunkter i olika språkresurser.

Alla uppgifter som visas på webbplatsen kommer från LinguaMeta, ett öppet datalager som sammanställer och harmoniserar språkdata från 19 källor som anges med referenser. I LinguaMeta-artikeln från 2024 dokumenterades den underliggande datamängden, som omfattade 7 511 språk med BCP-47- och ISO 639-3-koder. Varje datapunkt har en källtagg som gör det möjligt att spåra och korrigera uppgifterna. När källorna inte var överens valde författarna antingen den mer auktoritativa källan eller gjorde ytterligare efterforskningar i akademiska publikationer, folkräkningsmaterial och grundlagar.

I artikeln rapporterades att maskinöversättning, taligenkänning och talsyntes bara fanns tillgängliga i stor skala för omkring 100 språk, medan stödet för de flesta andra språk var bristfälligt eller obefintligt. Denna skillnad gör metadata praktiskt användbara: uppgifter om antal talare kan bidra till att prioritera arbetet, medan kombinationer av språk, skriftsystem och språkregioner identifierar exakt vilka kombinationer ett lokaliserat system måste hantera. Databasens struktur bevarar dessa kombinationer i JSON-poster. En enklare TSV-sammanställning utelämnar källuppgifter, utökade namn, taggar för användning av skriftsystem, efterforskningar om officiell status och koordinater.

Från forskningsdatabas till museiinstallation

Language Explorer visas också som en interaktiv installation i Real Talk! Language. Power. World. på Museum of Communication Berlin. Enligt museet öppnade utställningen den 5 november 2026.

Sex temarum tar upp språkens världar, mångfald, identiteter, språkkontakt, makt och framtiden. I det sista rummet ställs frågan om hur AI och chattbotar förändrar kommunikationen och hur forskare och aktivister dokumenterar hotade språk. En digital följeslagare lanserades den 6 november 2026 och kompletterar de sex perspektiven med bakgrundsmaterial, videor och frågesporter. Där tas bland annat sambandet mellan AI och flerspråkighet upp. Både utställningen i Berlin och dess digitala följeslagare finns tillgängliga till och med den 27 februari 2028.

Ojämn täckning och ett arkiverat datalager

Artiklens tabell över täckningen visar betydande skillnader mellan olika fält. Uppgifter om antal talare fanns för 6 253 språk, eller 83 %, men endonymer – de namn som språkgrupper använder om sina egna språk – hade dokumenterats för endast 1 136 språk, eller 15 %. Kartan ger därmed en bred ingång, men informationsdjupet varierar avsevärt mellan språk och kategorier.

Uppgifterna om antal talare är dessutom förenade med vissa förbehåll. De bakomliggande metoderna utelämnar uppgifter om personer som talar språket som andraspråk, eftersom tillförlitlig statistik var svår att få fram. Större uppskattningar av antalet talare avrundas till närmaste tiopotens för att undvika falsk precision, och det påpekas att sammanräkning av befolkningstal för olika språkregioner kan förstärka fel i källorna. Resursen fokuserar på levande talade språk: teckenspråk, forntida språk, historiska språk och konstruerade språk ingår inte. Makrospråk och språk som klassificerats som utdöda ingår; de senare eftersom vissa fortfarande har små grupper av talare. Esperanto är ett uttryckligt undantag från att konstruerade språk utesluts, eftersom flera språktekniker redan har stöd för språket.

Varje kartnål markerar en ungefärlig språkgeografisk mittpunkt, baserad på koordinater från Glottolog och manuella justeringar. Webbplatsen påpekar att språk talas av grupper som kan flytta eller röra sig över politiska gränser. Kartnålarna ska därför inte tolkas som fasta territorier.

Det finns också en skillnad i informationen om underhåll. I Explorers avsnitt med vanliga frågor beskrivs LinguaMeta som ett aktivt projekt, och forskare uppmanas att bidra med korrigeringar och resurser.

Det överordnade url-nlp-datalagret har ett arkiveringsmeddelande från GitHub daterat den 6 oktober 2026 och är markerat som skrivskyddat. Den fullständiga, versionshanterade datamängden går fortfarande att ladda ner, men den statusen gör det oklart hur framtida bidrag ska lämnas när Google presenterar gränssnittet för en bredare publik.