O que é o idioma do arquivo nos metadados?

Idioma é o campo de metadados que registra qual idioma humano um arquivo usa. Em um documento ou e-book, o campo Language indica o idioma do texto. Em um arquivo de áudio ou vídeo, o campo normalmente indica o idioma falado ou cantado em uma faixa.

Quais arquivos o carregam

Cada formato de arquivo armazena o idioma em um lugar diferente:

Vídeos MKV armazenam um idioma para cada faixa, então cada faixa de áudio e de legenda tem seu próprio valor
Vídeos MP4 e MOV armazenam um código de idioma no cabeçalho de mídia de cada faixa
Arquivos MP3 podem armazenar o idioma em sua tag ID3, no frame TLAN
Arquivos WAV e AVI podem armazenar o idioma em seu bloco RIFF INFO, no campo ILNG
Arquivos PDF podem armazenar o idioma padrão de todo o documento na entrada Lang
E-books EPUB devem indicar pelo menos um idioma em seus metadados de pacote, no elemento dc:language
Arquivos do Office, como DOCX, XLSX e PPTX, podem armazenar o idioma em suas propriedades de documento
Arquivos JPG, TIFF e outros com um bloco XMP podem armazenar o idioma no campo XMP dc:language

Como são os valores

Os arquivos usam 2 sistemas principais de código. O ISO 639-2 atribui a cada idioma um código de 3 letras. O BCP 47 usa um código de 2 letras quando existe e pode adicionar uma região após um hífen.

eng é inglês em ISO 639-2 e en é inglês em BCP 47
fre e fra são ambos francês, porque o ISO 639-2 tem um código bibliográfico e um código de terminologia para alguns idiomas
ger e deu são ambos alemão
en-US é o inglês usado nos Estados Unidos
fre-ca é francês canadense na forma mais antiga usada por arquivos MKV

Maiúsculas e minúsculas não têm significado em uma tag BCP 47, então en-us e en-US indicam o mesmo idioma. Por convenção, você escreve a parte do idioma em minúsculas e a parte da região em letras maiúsculas.

Tags ID3 usam códigos de 3 letras, e livros EPUB usam tags BCP 47. Uma faixa MKV pode guardar as duas formas, e os programas então devem ignorar o código de 3 letras. Um relatório gerado com FFmpeg lista o valor como uma tag de cada stream, como language=eng.

Códigos de idioma especiais

O código und significa indeterminado. O ISO 639-2 o define para conteúdo em um idioma que não pode ser determinado.

O ISO 639-2 tem mais códigos especiais. mul significa vários idiomas e zxx significa que não há conteúdo em nenhum idioma. Dentro de frames ID3 como comentários e letras, a sequência XXX marca um idioma desconhecido.

Por que isso é importante

Reprodutores de mídia leem o idioma da faixa para escolher uma faixa de áudio para você. Se você definir francês como idioma preferido, o reprodutor seleciona uma faixa cujo idioma seja francês. Para legendas, o reprodutor também verifica sinalizadores como Hearing Impaired.

Um valor ausente pode causar erro. Em um arquivo MKV, uma faixa sem elemento Language conta como inglês, porque o valor padrão é eng.

Em documentos, o idioma ajuda leitores de tela. Com o valor Lang correto, um leitor de tela pode carregar as regras de pronúncia adequadas para um PDF. Um PDF também pode marcar uma única frase com outro idioma, como es-MX para espanhol mexicano dentro de um texto em inglês.

Um livro EPUB pode listar vários idiomas. Os sistemas de leitura então tratam o primeiro como o idioma principal do livro.