II.6 Idioma y localización
Tres idiomas distintos en juego
Cuando usas una aplicación de Documentize hay hasta tres idiomas en la sala, y son independientes:
Idioma de la interfaz -> las palabras de los botones y mensajes
Idioma del documento -> el idioma del texto de tu archivo
Idioma de salida -> el idioma en que escribe la aplicación (apps de IA)
Confundirlos es una fuente clásica de resultados desconcertantes. Un contrato en español puede subirse desde una página en inglés, reconocerse como español y resumirse en alemán. Cada idioma se elige en un lugar distinto.
1. Idioma de la interfaz
Los textos compartidos de las páginas de las aplicaciones están traducidos a muchos idiomas. El código tiene inglés más 42 traducciones de los textos compartidos de la interfaz, entre ellas árabe, chino (simplificado y tradicional), checo, neerlandés, francés, alemán, hindi, japonés, coreano, polaco, portugués, ruso, español, turco, ucraniano y vietnamita. La lista del sitio en funcionamiento puede diferir; mira el selector de idioma.
El idioma de la interfaz cambia las etiquetas, los mensajes, las preguntas frecuentes y la ayuda. No cambia cómo se procesa tu documento.
Algunas aplicaciones de IA siguen el idioma de la interfaz para lo que escriben (Ask PDF responde en el idioma de la página que usas; el informe de Resume Analyzer se escribe en el idioma del sitio). Otras tienen su propio selector.
2. Idioma del documento: lo que debe saber el reconocedor
Para el reconocimiento de texto (OCR), la aplicación tiene que saber qué alfabeto y qué palabras esperar. Aquí la elección es tuya y importa más que cualquier otro ajuste:
| Aplicación | Opción | Predeterminado | Qué pasa si es incorrecto |
|---|---|---|---|
| Imagen a TXT (OCR Image) | Idioma del documento, de una lista de unos 35 | Inglés | Texto sin sentido. El capítulo lo llama la causa más habitual de basura |
| PDF buscable (Searchable) | Idioma del documento | Inglés | Palabras erróneas que parecen correctas en el archivo con búsqueda |
| Conversor (Converter) con OCR | Idiomas (marca todos los presentes) | Inglés preseleccionado | Los escaneos pierden o estropean texto al pasar a Word |
| Buscar en PDF (Search) en escaneos | Idioma para el paso de reconocimiento | -- | «Sin resultados» no prueba que no esté |
| Fusión de archivos (Merger) con OCR | Idioma para el reconocimiento | -- | Igual que arriba |
Reglas prácticas:
- Pon siempre el idioma que coincida con el texto de la imagen, no con el idioma de tu interfaz.
- Si un documento mezcla idiomas, marca o elige todos los presentes donde la aplicación lo permita.
- Las páginas de lado o torcidas se reconocen mal sea cual sea el idioma. Corrige antes la rotación y la inclinación.
- Los idiomas que se escriben de derecha a izquierda (árabe, persa, hebreo) se maquetan de derecha a izquierda en las aplicaciones de IA que producen PDF (Abstracts, Cheat Sheet, informe de Resume).
3. Idioma de salida de las aplicaciones de IA
Cuando una aplicación escribe texto nuevo, suele ofrecer un selector de idioma:
| Aplicación | Cómo se elige el idioma |
|---|---|
| Abstracts | Una opción de idioma; el resumen puede estar en cualquier idioma de la lista, sea cual sea el idioma del documento. El valor predeterminado sigue el idioma de la página |
| Cheat Sheet | Una opción de idioma; inglés por defecto en el motor |
| Ask PDF | Sin selector de idioma de salida; las respuestas llegan en el idioma de la interfaz, y puedes preguntar en un idioma distinto al de los documentos (compruébalo en la aplicación en funcionamiento) |
| Checklist, Chat | Consulta los capítulos; revisa la salida |
| SVG Maker | Si el idioma de tu interfaz no es el inglés, la aplicación pide que las etiquetas del dibujo estén en ese idioma |
Una aplicación de IA puede escribir un texto fluido en un idioma que domina menos. Pide a un hablante nativo que revise las traducciones cuando importe. Confianza y verificación lo dice sin rodeos: fluido pero erróneo es un modo de fallo real.
Idioma del nombre y del contenido del archivo
Los documentos con nombres o textos en alfabetos no latinos no tienen nada especial en lo que respecta al flujo. El riesgo práctico son las fuentes: convertir a otros formatos, o reconstruir páginas (Deskew, Recovery), puede sustituir fuentes, así que revisa el texto no latino en el resultado.
Tabla rápida: ¿qué idioma pongo?
| Situación | Pon |
|---|---|
| Escaneo de una factura en francés, uso el sitio en inglés | Idioma de OCR = francés |
| Informe en español; quiero un resumen en inglés | Idioma de Abstracts = inglés |
| Escaneo de un libro en árabe con algunas palabras en inglés | Elige ambos donde se permita |
| Ask PDF con documentos en alemán; escribo en polaco | Pregunta sin más; la respuesta llega en el idioma de la página |
Pruébalo
Coge una página impresa en un idioma distinto al de tu interfaz. Ejecuta Imagen a TXT una vez con el idioma equivocado y otra con el correcto. Cuenta los errores. Después no se te olvidará el ajuste.
Siguiente
El modelo de calidad: sin pérdida, con pérdida, reconocido, generado →