etiqueta de idioma IETF

RFC 4646 definió el concepto de "subetiqueta de lenguaje extendido" (a veces denominada extlang ), aunque en ese momento no se registraron tales subetiquetas. ^{[ 16 ] [ 17 ]}

RFC 5645 y RFC 5646 añadieron subetiquetas de idioma principal correspondientes a los códigos ISO 639-3 para todos los idiomas que no estaban ya registrados. Además, los códigos de los idiomas incluidos en ciertos macrolenguajes se registraron como subetiquetas de idioma extendidas. Los lenguajes de señas también se registraron como extlangs, con el prefijo sgn . Estos idiomas pueden representarse con la subetiqueta del idioma incluido únicamente ( cmn para el mandarín) o con una combinación de idioma y extlang ( zh-cmn ). La primera opción es la preferida para la mayoría de los casos. La segunda opción se denomina "formato extlang" y es nueva en RFC 5646.

Las etiquetas completas que se registraron antes de RFC 4646 y que ahora se clasifican como "obsoletas" o "redundantes" (dependiendo de si se ajustan a la nueva sintaxis) se descontinúan en favor de la subetiqueta de idioma correspondiente basada en ISO 639-3, si existe. Por mencionar algunos ejemplos, se prefiere nan sobre zh-min-nan para el chino min nan ; hak sobre i-hak y zh-hakka para el chino hakka ; y ase sobre sgn-US para el lenguaje de señas americano .

Windows Vista y versiones posteriores de Microsoft Windows tienen soporte para RFC 4646. ^{[ 18 ]}

La norma ISO 639-5 define las colecciones de idiomas con códigos alfa-3 de forma distinta a como se codificaron inicialmente en la norma ISO 639-2 (incluido un código ya presente en la ISO 639-1, el bihari, codificado de forma inclusiva como bh en la ISO 639-1 y como bih en la ISO 639-2). En concreto, en la ISO 639-5 todas las colecciones de idiomas se definen ahora de forma inclusiva, en lugar de que algunas se definan de forma exclusiva. Esto significa que las colecciones de idiomas tienen un alcance más amplio que antes, pudiendo abarcar en algunos casos idiomas que ya estaban codificados por separado en la ISO 639-2.

Por ejemplo, el código afa de la norma ISO 639-2 estaba asociado anteriormente con el nombre "Afroasiático (Otros)", excluyendo lenguas como el árabe, que ya tenían su propio código. En la norma ISO 639-5, esta colección se denomina "Lenguas afroasiáticas" e incluye todas estas lenguas. La norma ISO 639-2 modificó los nombres exclusivos en 2009 para que coincidieran con los nombres inclusivos de la norma ISO 639-5. ^{[ 19 ]}

Para evitar que se rompan las implementaciones que aún puedan depender de la definición anterior (exclusiva) de estas colecciones, la norma ISO 639-5 define un atributo de tipo de agrupación para todas las colecciones que ya estaban codificadas en la norma ISO 639-2 (dicho tipo de agrupación no está definido para las nuevas colecciones añadidas solo en la norma ISO 639-5).

BCP 47 define una propiedad "Ámbito" para identificar subetiquetas en colecciones de idiomas. Sin embargo, no define ninguna colección como inclusiva o exclusiva, ni utiliza el atributo de tipo de agrupación ISO 639-5, aunque los campos de descripción en el Registro de Subetiquetas de Idioma para estas subetiquetas coinciden con los nombres ISO 639-5 (inclusivos). En consecuencia, las etiquetas de idioma de BCP 47 que incluyen una subetiqueta de idioma principal para una colección pueden ser ambiguas en cuanto a si la colección pretende ser inclusiva o exclusiva.

La norma ISO 639-5 no define con precisión qué idiomas pertenecen a estas colecciones; solo define la clasificación jerárquica de las mismas, utilizando la definición inclusiva de estas colecciones. Por este motivo, la RFC 5646 no recomienda el uso de subetiquetas para colecciones de idiomas en la mayoría de las aplicaciones, aunque siguen siendo preferibles a subetiquetas cuyo significado es aún menos específico, como "Varios idiomas" e "Indeterminado".

En cambio, la clasificación de los idiomas individuales dentro de su macrolenguaje está estandarizada, tanto en la norma ISO 639-3 como en el Registro de Subetiquetas de Idioma.

Las subetiquetas de escritura se añadieron por primera vez al Registro de Subetiquetas de Idioma cuando se publicó el RFC 4646, a partir de la lista de códigos definidos en la norma ISO 15924. Se codifican en la etiqueta de idioma después de las subetiquetas de idioma primarias y extendidas, pero antes de otros tipos de subetiquetas, incluidas las subetiquetas de región y variante.

Algunas subetiquetas de idioma principal se definen con una propiedad llamada "Suppress-Script", que indica los casos en los que se suele asumir un único alfabeto por defecto para el idioma, incluso si se puede escribir con otro. En estos casos, es preferible omitir la subetiqueta del alfabeto para aumentar la probabilidad de una coincidencia correcta. Aun así, se puede añadir una subetiqueta de alfabeto diferente para hacer la distinción cuando sea necesario. Por ejemplo, se prefiere "yi" a "yi-Hebr" en la mayoría de los contextos, porque se asume el alfabeto hebreo para el idioma yiddish .

Como otro ejemplo, zh-Hans-SG puede considerarse equivalente a zh-Hans , ya que el código de región probablemente no sea relevante; la forma escrita del chino que se usa en Singapur utiliza los mismos caracteres chinos simplificados que en otros países donde se escribe chino. Sin embargo, se mantiene la subetiqueta de escritura porque sí es relevante.

La norma ISO 15924 incluye algunos códigos para variantes de escritura (por ejemplo, Hans y Hant para las formas simplificadas y tradicionales de los caracteres chinos) que están unificados en Unicode e ISO/IEC 10646. Estas variantes de escritura se codifican con mayor frecuencia con fines bibliográficos, pero no siempre son significativas desde un punto de vista lingüístico (por ejemplo, los códigos de escritura Latf y Latg para las variantes Fraktur y Gaélica del alfabeto latino, que en Unicode e ISO/IEC 10646 se codifican principalmente con letras latinas regulares). En ocasiones, pueden ser útiles en etiquetas de idioma para exponer diferencias ortográficas o semánticas, con distintos análisis de letras, diacríticos y dígrafos/trígrafos como grupos de grafemas predeterminados, o diferencias en las reglas de mayúsculas y minúsculas.

Las subetiquetas regionales de dos letras se basan en códigos asignados, o «reservados excepcionalmente», en la norma ISO 3166-1 . Si la Agencia de Mantenimiento de la ISO 3166 reasignara un código previamente asignado a un país diferente, la subetiqueta BCP 47 existente correspondiente a dicho código conservaría su significado, y se registraría una nueva subetiqueta regional basada en la norma UN M.49 para el nuevo país. La norma UN M.49 también sirve como fuente para las subetiquetas regionales numéricas de regiones geográficas, como 005la de Sudamérica. No se permiten los códigos UN M.49 para regiones económicas.

Las subetiquetas de región se utilizan para especificar la variedad de un idioma "tal como se usa" en una región en particular. Son apropiadas cuando la variedad es de naturaleza regional y se puede capturar adecuadamente identificando los países involucrados, como cuando se distingue el inglés británico ( en-GB ) del inglés americano ( en-US ). Cuando la diferencia es de escritura o variedad de escritura, como entre los caracteres chinos simplificados y tradicionales , debe expresarse con una subetiqueta de escritura en lugar de una subetiqueta de región; en este ejemplo, se deben usar zh-Hans y zh-Hant en lugar de zh-CN/zh-SG/zh-MY y zh-TW/zh-HK/zh-MO .

Cuando existe una subetiqueta lingüística específica para una lengua que podría considerarse una variedad regional, suele ser preferible utilizar la subetiqueta más específica en lugar de una combinación de lengua y región. Por ejemplo, ar-DZ ( árabe hablado en Argelia ) podría expresarse mejor como arq para árabe argelino hablado .

Los desacuerdos sobre la identificación de idiomas pueden extenderse al BCP 47 y a las normas básicas que lo sustentan. Por ejemplo, algunos hablantes de punjabi creen que la distinción de la norma ISO 639-3 entre [pan] "panjabi" y [pnb] "panjabi occidental" es espuria (es decir, consideran que son el mismo idioma ); que las subvariedades de la escritura árabe deberían codificarse por separado en la norma ISO 15924 (como, por ejemplo, los estilos Fraktur y gaélico de la escritura latina); y que el BCP 47 debería reflejar estas opiniones o anular las normas básicas al respecto.

BCP 47 delega este tipo de juicio a las normas básicas y no intenta anularlas ni reemplazarlas. Las subetiquetas variantes y (teóricamente) las subetiquetas de idioma principal pueden registrarse individualmente, pero no de una manera que contradiga las normas básicas. ^{[ 20 ]}

La extensión T permite que una etiqueta de idioma incluya información sobre cómo se transcribieron, transcribieron o transformaron los datos etiquetados. Por ejemplo, la etiqueta en-t-jp podría usarse para contenido en inglés traducido del japonés original. Subcadenas adicionales podrían indicar si la traducción se realizó de forma automática o de acuerdo con un estándar publicado.

La extensión T se describe en el RFC 6497 informativo, publicado en febrero de 2012. La autoridad de registro es el Consorcio Unicode . ^{[ 21 ]}

La extensión U permite que una amplia variedad de atributos de configuración regional que se encuentran en el Repositorio Común de Datos de Configuración Regional (CLDR) se incrusten en las etiquetas de idioma. Estos atributos utilizan palabras clave que consisten en una clave obligatoria de dos letras , que incluyen subdivisiones de países ( sd, rg ), datos de calendario ( ca, fw, hc ) y zona horaria ( tz ), orden de intercalación ( co ), tipo de moneda ( cu ) y formato ( cf ), unidad de medida ( ms, mu ) y sistema numérico ( nu ), salto de línea ( lb, lw, ss, dx ) y presentación de emojis ( em ), seguidos opcionalmente de tipos aplicables con guion .

Algunos ejemplos incluyen:

• gsw-u-sd-chzh representa el alemán suizo tal como se usa en el cantón de Zúrich .
• ar-u-nu-latn representa el contenido en idioma árabe utilizando dígitos latinos básicos (del 0 al 9) en lugar de dígitos en escritura árabe (de ٠ a ٩).
• he-IL-u-ca-hebrew-tz-jeruslm representa el hebreo hablado en Israel, utilizando el calendario hebreo tradicional y en la zona horaria "Asia/Jerusalén" identificada en la base de datos tz .

La extensión U se describe en el RFC 6067 informativo, publicado en diciembre de 2010. La autoridad de registro es el Consorcio Unicode . Su especificación LDML , publicada como UTS 35, sirve como documentación de los atributos y palabras clave registrados. ^{[ 22 ]}