Language Explorer mapeia a diversidade de idiomas do mundo

O Google Research publicou em 9 de novembro de 2026 o Language Explorer, uma plataforma web interativa que reúne e visualiza dados sobre milhares de idiomas — número de falantes, sistemas de escrita, países onde são usados, status oficial, coordenadas geográficas e variedades linguísticas. O anúncio é assinado por Daan van Esch, do Google DeepMind, e Uche Okonkwo, do Google Research.

A ferramenta nasce dentro da Iniciativa 1.000 Idiomas, o programa com que a empresa declara pretender estender suas tecnologias de linguagem a línguas historicamente ausentes dos produtos digitais. O Language Explorer também funciona como instalação interativa na exposição Real Talk! Language. Power. World., no Museu da Comunicação de Berlim, que segue até fevereiro de 2028 e depois migra para Frankfurt, com permanência até setembro de 2029; um complemento on-line da exposição foi aberto em 6 de novembro.

Para quem acompanha tecnologia de linguagem, o interesse está menos na interface e mais no que a sustenta: o conjunto de dados aberto LinguaMeta, que organiza metadados de milhares de idiomas com rastreabilidade de origem por campo. É esse detalhe — saber de onde veio cada informação — que separa um mapa bonito de um recurso utilizável em pesquisa.

O que é o LinguaMeta

O LinguaMeta foi apresentado em artigo na LREC-COLING 2024, por Sandy Ritchie, Daan van Esch, Uche Okonkwo, Shikhar Vashishth e Emily Drummond. A proposta é consolidar em um único recurso metadados que hoje estão espalhados por repositórios distintos, acrescentando pesquisa própria dos autores, e marcar cada dado com a sua fonte, de modo que qualquer usuário possa conferir a procedência e atualizar outros catálogos a partir dali.

Os campos cobertos incluem códigos e nomes de idioma, número estimado de falantes, sistemas de escrita, países de uso, status oficial, coordenadas e variedades. É, em essência, um cadastro — e cadastros são a infraestrutura invisível de qualquer tentativa séria de ampliar cobertura tecnológica. Antes de treinar um modelo para uma língua, é preciso saber que ela existe, como se chama em cada norma de codificação, quantas pessoas a falam e em que alfabeto se escreve.

Convém registrar o que o material público não informa: nem o anúncio nem a página do artigo trazem a contagem exata de idiomas cobertos, apenas a expressão “milhares”. Também não há, nas fontes consultadas, uma seção de limitações do conjunto de dados.

A distância entre catalogar e atender

Os números que o próprio anúncio cita ajudam a dimensionar o problema. O Google Tradutor oferece suporte a quase 250 idiomas e processa, segundo a empresa, algo em torno de um trilhão de palavras por mês; o teclado Gboard cobre mais de 900 variedades linguísticas. Estimativas acadêmicas correntes falam em cerca de 7 mil línguas vivas no mundo.

A aritmética é desconfortável e é exatamente o ponto do mapa: catalogar milhares de idiomas e atender algumas centenas são atividades separadas por uma distância enorme. Um idioma pode constar do cadastro com nome, código, número de falantes e sistema de escrita, e ainda assim não ter corretor ortográfico, reconhecimento de fala, tradução automática, teclado adequado ou sequer representação confiável em texto digital.

O que falta, na maioria dos casos, é dado de uso — texto e áudio em volume suficiente para treinar e avaliar modelos. É esse o papel de iniciativas de coleta que o anúncio menciona: o Projeto Vaani, na Índia, e o Projeto Waxal, na África, que reuniram milhares de horas de fala aberta para línguas sub-representadas. São esforços caros, dependentes de parceria com falantes nativos, instituições acadêmicas e organizações culturais — e é por isso que o texto do Google insiste na palavra colaboração.

Por que isso importa no Brasil

O Censo Demográfico de 2022, cujos dados sobre povos indígenas o IBGE divulgou em outubro de 2025, identificou 391 etnias e 295 línguas indígenas faladas no país. É um universo que, em sua quase totalidade, não aparece em tradutores automáticos, assistentes de voz ou corretores ortográficos — e cuja documentação está dispersa entre pesquisa acadêmica, acervos de órgãos públicos e trabalho comunitário.

Um cadastro global com rastreabilidade de fonte não resolve isso, mas torna o problema visível e comparável. Serve, na prática, para três coisas: localizar lacunas de cobertura antes de planejar coleta de dados; padronizar a identificação de uma língua entre projetos que usam nomenclaturas diferentes; e dar base factual a decisões de política pública ou de produto que hoje se apoiam em impressões.

Vale a ressalva de que dados de contagem de falantes são notoriamente instáveis. Dependem de autodeclaração, de definições que variam sobre o que é língua e o que é variedade, e de levantamentos feitos em anos diferentes. A escolha do LinguaMeta de marcar a origem de cada campo é a resposta metodologicamente correta a essa instabilidade: em vez de arbitrar um número, registra-se quem o afirma.

Possibilidades e limites do que foi lançado

Do lado das possibilidades, há utilidade concreta para públicos distintos. Pesquisadores de processamento de linguagem natural ganham um ponto de partida consolidado para desenhar amostras e justificar recortes. Educadores e jornalistas ganham uma forma de mostrar distribuição linguística sem depender de mapas estáticos desatualizados. Organizações de revitalização linguística ganham um catálogo de referência que permite apontar, com fonte, o que está registrado sobre uma língua específica.

Do lado dos limites, três merecem registro:

  • É uma plataforma de visualização, não um recurso de modelagem. O anúncio não descreve arquitetura, pipeline de dados nem metodologia de validação do que é exibido; descreve uma interface sobre um conjunto já existente.
  • Metadados não medem suporte tecnológico. Estar no mapa não indica se há modelo, corpus ou produto para aquela língua, que é a informação de que mais precisa quem planeja investimento.
  • A curadoria é de uma empresa. Por mais que o conjunto seja aberto e as fontes estejam marcadas, decisões sobre o que conta como língua distinta, qual nome usar e qual estimativa adotar são escolhas editoriais com efeito prático — e, no campo da documentação linguística, essas escolhas têm história e controvérsia.

Há também uma dimensão de representação que o formato de exposição de museu deixa evidente. Mapear a diversidade linguística é um gesto que comunica valor, e isso é positivo; mas a visibilidade de uma língua num painel interativo não se converte automaticamente em serviço digital para quem a fala. As duas coisas andam em velocidades muito diferentes.

Conclusão

O Language Explorer é, antes de tudo, uma interface sobre um trabalho de cadastro que já existia e que continua sendo a parte mais útil da história. Para o leitor técnico, o item a guardar é o LinguaMeta e o seu princípio de projeto: dado com procedência declarada, aberto para conferência e atualização.

O que vale observar a seguir é se o conjunto passa a registrar também o estado de suporte tecnológico por idioma — existe corpus público, existe modelo de fala, existe teclado —, o que transformaria um mapa de línguas em um mapa de lacunas. E, no caso brasileiro, se instituições de pesquisa e organizações indígenas passam a usar recursos desse tipo como camada comum de identificação, em vez de manterem catálogos paralelos que não conversam entre si.

Fontes e referências

Ninja

Na cena de cybersecurity a mais de 25 anos, Ninja trabalha como evangelizador de segurança da informação no Brasil. Preocupado com a conscientização de segurança cibernética, a ideia inicial é conseguir expor um pouco para o publico Brasileiro do que acontece no mundo.

Recent Posts

Benchmark audita revisores de IA com erros injetados em papers

Pesquisadores injetaram erros conhecidos em 30 artigos reais de astrofísica e de aprendizado de máquina…

7 horas ago

Ransomware no varejo: criptografia sobe e resgate cai

A sexta edição anual do relatório da Sophos ouviu 217 líderes de TI do varejo…

7 horas ago

Phishing no Microsoft 365 usa o apagão global como isca

Horas depois da queda de quase 24 horas do Exchange Online, campanhas de e-mail passaram…

7 horas ago

CapLite barra injeção de prompt em agentes de modelos pequenos

Pesquisadores da Universidade de Tóquio e do Instituto de Automação da Academia Chinesa de Ciências…

7 horas ago

Invasão da Cursor distribuiu extensão falsa do Claude Code

Uma chave de acesso exposta em um fornecedor de inferência abriu caminho para o roubo…

7 horas ago

Antigravity /teamwork: Google libera seu sistema multiagente

O Google abriu para uso externo o sistema que coordena dezenas de agentes em paralelo…

3 dias ago