如果想把在线内容面向全球发布，迟早会问： 哪些语言值得翻译？

我是在考虑用 LLM 自动翻译博客文章时，认真思考起这个问题的。

可用数据（以 2020 年为准，检索于 2025 年）

维基百科给出了一份 按语言统计的互联网用户（2020 年 3 月） （表 1）。 目前我还没找到更近的数据。

同样的数值也出现在其他来源， 例如 wéb-tränslatiôns、 StarAvis、 Optimational （甚至标注为 2025 年），以及 ResearchGate 上的一篇文章。 维基百科标注的源头是 Internet World Stats。 该网站似乎已不再提供这份数据， 但在 互联网档案馆中仍可找到完全一致的数字。

表 1：按语言统计的互联网用户（取前五名，2020 年 3 月），来源：Internet World Stats
排名 语言 互联网用户 占全球网民比例
1 英语 1,186,451,052 25.9 %
2 中文 888,453,068 19.4 %
3 西班牙语 363,684,593 7.9 %
4 阿拉伯语 237,418,349 5.2 %
5 印度尼西亚语 198,029,815 4.3 %

这些数字的时效性

自 2020 年起，榜单很可能已经变化。 一方面， 2020–2024 年全球人口增加了约 3 亿。 另一方面， 同期 全球互联网使用率从 59% 升至 68%。 这部分增量在印度、印度尼西亚、尼加拉瓜、菲律宾等新兴经济体尤其明显。 换句话说， 近年又新增了数以亿计的网民——其中很多人的母语并非英语。 英语与中文因绝对量级巨大，前两名大概率仍然稳固； 但从第 3 名开始，排名可能已经发生变化。

另一个显著之处是， 表中竟然没有列出印地语。 2020 年 印度的互联网使用率约为 43%。 据 Ethnologue 估计，2019 年底约有 6.12 亿印度人使用印地语。 据此可估算 2020 年大约有 2.63 亿印地语网民，理论上应进入前五：

1
2
3

6.12 亿印地语使用者
× 43% 互联网用户（印度）
≈ 2.63 亿印地语网民

在该表的注释里提到采用“零和”分配（Zero Sum）——每个人只被归入一种语言——但现实中许多人是双语/多语者。 很可能印度人口有相当一部分被记入了英语。 一个旁证是：全球不可能有 15 亿以英语为母语（L1）的人。 显然英语把大量二语（L2）使用者也计入了，而其他语言在表中可能主要只统计了母语（L1）。

尝试推导一版较新的估算

既然缺乏更近的按语言网民统计， 我尝试用其他权威数据来推导。

世界银行提供了 基于 ITU 数据 的 各国互联网使用率 以及 各国人口。 两套数据都有 CSV，便于程序化处理。 据此可先算出各国网民绝对数量，例如香港：

1

7524100 人口 × 96% 互联网使用率 = 7223136 网民

下一步需要各国的语言构成， 再据此估算各语言的网民数。 当然这只是近似，因为网民分布未必与语言人群在各国内部的比例完全一致。 把各国结果汇总，便可得到全球层面的估算。

可用的国家语言比例来源包括：

若想手工基于维基逐国提取语言占比，工作量相当大，短期内对我不太现实。

Plan B

回到最初的问题： 哪些语言值得翻译在线内容？

在缺乏可靠的最新统计前，我将先**参考最常使用的语言**来做优先级： 英语、普通话（汉语）、印地语、西班牙语、现代标准阿拉伯语。

随着互联网普及率提高，各语言网民占比会逐步逼近人口中的语言构成。 一旦出现新的、可信的按语言网民统计，我会随时调整选择。