Inteligencia Artificial en transcripciones

Febrero de 2022. Actividad de tomar documentos transcritos y colocarlos en la plataforma Transkribus para entrenarla y crear modelos que puedan usarse en otros documentos y usarse en un futuro como soporte para otras transcripciones. Documento del S. XVI que reposa en el AGN.

Esta entrada la empecé en febrero de 2022 y se quedó en borrador. La termino en noviembre de 2026, y casi nada de lo que había escrito sobre transcripción sigue igual. Dejo lo que sirve, corrijo lo que no y cuento lo que he medido desde entonces.

Desde mis estudios en diseño, he sido reiterativo en afirmar que la próxima revolución tecnológica va a estar en la inteligencia artificial. Los "robots" que se entrenan, aprenden y crean están reduciendo el trabajo de cosas que hace unos 20 años eran impensables para un computador. En historia y genealogía, una de las más útiles es la transcripción automática de manuscritos y documentos, que permite buscar términos sobre millones de archivos y ayuda a conservar la información que contienen.

En 2022 escribí aquí que la IA no se podía explotar al máximo porque el hardware no estaba listo y que harían falta computadores cuánticos. Ahí me equivoqué: el salto llegó con tarjetas gráficas y con modelos de lenguaje y visión, mucho antes de lo que imaginaba. En diciembre de ese año probé completar este borrador con ChatGPT, recién salido, y me explicó con toda seguridad que PyLaia era una biblioteca de "procesamiento del lenguaje natural" para analizar sentimientos y redes sociales. Es falso: PyLaia es un conjunto de herramientas de aprendizaje profundo para analizar documentos manuscritos(1). Esa respuesta quedó pegada en el borrador y hoy me sirve de advertencia: la IA se equivoca con el mismo tono con el que acierta.

Cómo elegir una herramienta

Para contextualizar, "Inteligencia artificial", como lo indica Wikipedia, es, en ciencias de la computación, la disciplina que intenta replicar y desarrollar la inteligencia y sus procesos implícitos a través de computadoras. Su propósito práctico es entrenar computadores para que identifiquen patrones, los procesen y usen esa interpretación para generar resultados.

En 2022 proponía un proceso para buscar una IA que apoye una actividad, y sigue valiendo:

1. Definir el campo de acción. Antes de buscar una herramienta hay que tener claro qué se quiere lograr. Leer manuscritos del siglo XVI no es lo mismo que leer periódicos del XIX o tabular partidas de bautismo, y las IAs no hacen todo igual de bien.

2. Definir su uso. Unas herramientas reconocen (pasan de imagen a texto), otras transforman (traducen, corrigen, normalizan) y otras generan. Una misma labor puede necesitar varias: primero leer el documento y luego pasarlo a español actual.

3. Evaluar con documentos propios. Compara precio, precisión, velocidad y qué pasa con tus archivos. Y sobre todo, prueba con tus documentos: una cifra publicada sobre otra letra, otra lengua u otra época dice poco de la tuya.

Los ejemplos de 2022

- Google Translate. Tipo: lenguas, especializado en traducción. En 2016 pasó a una red neuronal llamada GNMT (Google Neural Machine Translation), que traduce frases completas en lugar de pedazos sueltos(2). En distintos casos es necesaria la traducción de documentos y de términos. https://translate.google.com/

- LanguageTool. Tipo: lenguas, especializado en escritura. Después de usar muchos asistentes de escritura y redacción, es el que más me sorprendió: en tiempo real interpreta el idioma, corrige y da recomendaciones con mucha precisión. https://languagetool.org/

- Transkribus. Tipo: documentos, especializado en transcripción de escritura a mano. Un OCR (Optical Character Recognition) funciona bien con la letra de imprenta, de tipos separados. Con escritura caligráfica o con impresos poco legibles hace falta otra tecnología: el reconocimiento de escritura a mano o HTR (Handwritten Text Recognition). En 2022, Transkribus usaba motores como PyLaia y HTR+, que leen renglón a renglón. Es lo que muestra la imagen del inicio: para que leyera bien una mano había que transcribir páginas y entrenar un modelo con ellas. https://www.transkribus.org/

Lo que cambió: de entrenar un modelo a pedirle que lea

Hoy hay modelos generales de lenguaje y visión, como Gemini o Claude, que no se entrenaron para leer una mano en particular: se les da la imagen de una página con instrucciones y la transcriben. Ven la hoja completa y usan el contexto del idioma para resolver lo que el trazo deja en duda. Eso les permite leer abreviaturas y manos que nunca han visto, y también es su mayor riesgo.

	OCR clásico	HTR entrenado (PyLaia, Kraken)	Modelos generales de visión (Gemini, Claude)
Cómo lee	Reconoce caracteres separados	Renglón a renglón, con un modelo entrenado	La página completa, con el contexto del idioma
Qué pide antes	Nada	Páginas transcritas a mano para entrenar, si no hay un modelo público que sirva	Buenas instrucciones y buena imagen
Dónde rinde	Impresos limpios	Una mano o un fondo concreto	Manos y abreviaturas variadas, sin entrenamiento
Cómo falla	Caracteres sin sentido, fáciles de notar	Palabras rotas, también fáciles de notar	Texto plausible pero falso, difícil de notar

Esto no significa que el HTR clásico haya muerto. Un estudio sobre manuscritos en inglés de los siglos XVIII y XIX reportó con modelos generales un error de letra de 5,7 a 7 %, mejor que el de Transkribus(3). Otro, en cambio, no encontró una ventaja consistente para ninguna de las dos opciones(4). Transkribus tampoco se quedó quieto: en junio de 2026 presentó Text Titan II, un modelo multilingüe que, según su propia prueba interna, reduce el error en promedio 47 % frente a su primera versión(5). Y en Stanford publicaron CHURRO, un modelo abierto hecho para documentos históricos(6). Text Titan II todavía no lo he medido con mis documentos.

Lo mismo vale para quienes todavía usan OCR. El OCR actual no es tan preciso como un HTR hecho con IA, y la diferencia crece con impresos antiguos, periódicos y páginas manchadas. Un estudio sobre registros históricos en tablas, con una muestra de 20 páginas, encontró que los modelos generales superaban a herramientas como EasyOCR, Pytesseract y TrOCR(7). Estos modelos, además, pueden reconstruir las tablas y gráficas de libros y documentos, mientras que un OCR suele dejarlas como texto suelto. Por eso, quienes hoy usan OCR deberán pasar sus documentos a transcripción visual con IA, que es mucho más precisa. La ganancia se nota en las búsquedas: un apellido mal reconocido no aparece cuando se busca, así que un archivo solo se puede consultar bien si su texto es confiable.

Lo que he medido con mis documentos

Las cifras de los artículos dicen poco de nuestra letra, así que he ido midiendo con páginas reales. La mejor vara que tengo es una hoja corregida a mano: un poder otorgado en Medellín en 1676 por el sargento Juan de Alzate (AGI, Santa Fe 160, n.º 23). Estos son los resultados de octubre de 2026:

Modelo	Error de letra en la hoja	Coste por hoja	Tiempo por hoja
Gemini 3.1 Pro	10,1 %	2,1 ¢	14 s
Gemini 4 Argon	10,8 %	1,8 ¢	22 s
Gemini 3.8 Flash	15,0 %	0,75 ¢	11 s
Claude Opus 5.5	16,3 %	6,9 ¢	21 s
Claude Sonnet 5.5	21,2 %	2,6 ¢	10 s
Qwen (en mi computador)	62,8 %	0 ¢	18 s
GPT-6.1 Sol	78,6 %	3,6 ¢	76 s
GPT-6 Astra	86,2 %	23,5 ¢	84 s

Error de letra (CER): de cada 100 letras, cuántas están mal, sin contar mayúsculas, tildes ni puntuación. Coste en centavos de dólar a precio de lista y tiempo mediano, ambos sobre cuatro folios manuscritos. Es una sola hoja corregida a mano: sirve de referencia, no de veredicto.

• Gemini Pro se luce con la letra manuscrita. Claude Opus también lo logra, pero en mi experiencia con mucho esfuerzo y con zoom, y cuesta unas tres veces más por hoja. En los cuatro folios, comparando los lectores entre sí, quedaron casi a la par: 16,3 % y 16,7 % de error estimado.
• No todos sirven para manuscritos. Los dos modelos GPT que probé dejaron casi todo en "[ilegible]" o lo adivinaron mal, y de ahí sus cifras tan altas.
• Especializado no fue sinónimo de mejor, al menos por ahora. En 2022 yo decía que entre más especializada fuera una IA, más certera sería. En agosto medí sobre esta misma hoja tres motores abiertos hechos para textos históricos: CHURRO 3B (50,6 %), McCATMuS (54,3 %) y TRIDIS v2 (58,2 %). Pero esto depende del modelo base sobre el que se entrena. CHURRO parte de Qwen 2.5 y, como otros sistemas parecidos, no se ha actualizado a los últimos modelos de lenguaje. Si se entrena sobre un modelo base más nuevo, mejora. Además, los usé sin reentrenar, y también pueden mejorar mucho con páginas del mismo fondo. Entrenar sí pesa: incluso sobre esa base más vieja, CHURRO leyó esta hoja mejor que el Qwen 3.8 de la tabla, que no está especializado y va reducido para correr en mi computador.
• Razonar más no significó leer mejor. Comparé a ciegas los 119 renglones en que los modos de lectura de Gemini diferían, en cinco folios. La lectura sin razonamiento le ganó 47 a 15 a la de razonamiento alto, que llegó a costar 78 centavos y 6 minutos y medio por folio.
• Lo más nuevo no siempre lee mejor. Gemini 3.8 Flash es más reciente y más barato que 3.1 Pro, pero en esta hoja se equivoca más. Y con 3.1 Pro, subir la temperatura de 0,1 a 1,0 llevó el error de 9,8 % a 14,6 %, en una prueba de 344 lecturas.
• En letra impresa el panorama es otro. Con libros a máquina, impresos y periódicos, los mejores bajan a alrededor del 1 % de error y cambia el orden: Claude Opus 5.5 lideró a máquina (0,62 %), GPT-6.1 Sol en impresos (0,88 %) y Gemini 3.8 Flash en periódicos (0,36 %). No hay un modelo mejor para todo, y por eso conviene definir primero el tipo de documento.

Por qué sigue haciendo falta saber paleografía

Tres renglones de la misma hoja: una lectura de Gemini de agosto de 2026 y mi corrección a mano. Resaltado, lo que difiere. AGI, Santa Fe 160, n.º 23. Imagen: PARES, Archivos Estatales.

Esa lectura de agosto tenía un 21,9 % de error. Con la forma de leer que uso hoy, la misma hoja baja a cerca del 10 %, pero un 10 % suena a poco hasta que se mira dónde cae. En el primer renglón la IA escribió "setenta y dos" donde dice "setenta y seis", y no dejó ninguna señal de duda: el año cambió y la frase sigue sonando perfecta. En el segundo, el propio sargento Alzate se volvió "alcaser". En el tercero, el gobernador don Miguel de Aguinaga se volvió "Miguel Ca[?denouegas?]", aunque ahí sí marcó la duda. Para un genealogista, los nombres y las fechas son justo lo que importa.

Por eso hoy trabajo así:

• Reviso contra la imagen cada nombre, fecha y cifra que vaya a citar.
• Leo dos veces y comparo. Dos lecturas independientes que coinciden son mejor señal que la confianza que declara el modelo.
• Pido que marque sus dudas, sin confiar en que las marca todas.
• Separo la transcripción fiel de la versión en español actual.
• Corrijo a mano algunas páginas de cada fondo, porque es la única forma de saber cuánto se equivoca con esa letra.

PRAKTUR: la herramienta que estoy desarrollando

De todo esto salió PRAKTUR, una aplicación que estoy desarrollando para transcribir libros antiguos, periódicos y manuscritos, y que se especializa en transcripción paleográfica. No usa OCR: la IA lee visualmente cada página y entrega la transcripción estructurada, con encabezados, renglones y citas al margen. Las cifras de arriba salen de sus pruebas, y con ellas elijo qué modelo lee cada tipo de documento.

PRAKTUR en Paleografía: la hoja con sus renglones numerados y, al lado, la transcripción renglón a renglón.

• Cuatro tipos de proyecto: libros, paleografía, periódicos y tablas, cada uno con el modelo que mejor resultó en las pruebas.
• Renglones y zonas: detecta las líneas de escritura y se pueden corregir a mano y se puede separar el margen del cuerpo para que la IA no los mezcle.
• Modo Investigación: lee la página dos veces y marca renglón a renglón dónde no coinciden las lecturas.
• Variantes paleográficas: junto a la hoja, una guía de abreviaturas y formas de letra, con su fuente, para comparar.
• Normalización: pasa la transcripción a español actual y conserva aparte la lectura fiel.
• Tabulación: convierte registros como bautismos, matrimonios o defunciones en tablas y los recopila en una base de datos exportable.
• Exportación: a HTML, PDF, TXT y JSON, con la opción de ver la página original al lado.
  
  
  

El editor de Renglones: las líneas detectadas sobre la hoja, que se pueden corregir antes de leer.

Con Gemini, un folio en modo Estándar toma unos 20 segundos y cuesta de 2 a 3 centavos de dólar. La IA adelanta el borrador; cada nombre y cada fecha los sigue verificando el investigador. PRAKTUR todavía está en desarrollo, y cuando haya novedades las contaré en este blog.

Por: Di. Mtr. Edgar Andrés Sarmiento García
Miembro Academia Colombiana de Genealogía
http://eddiemauro.design/

Primera edición: febrero de 2022. Terminada: noviembre de 2026.

Referencias

(1) PyLaia, repositorio del proyecto: https://github.com/jpuigcerver/PyLaia

(2) https://aprendeia.com/inteligencia-artificial-en-google-translate/

(3) Humphries, M. et al. (2024). Unlocking the Archives: Using Large Language Models to Transcribe Handwritten Historical Documents. https://arxiv.org/abs/2411.03340

(4) Crosilla, G., Klic, L. y Colavizza, G. (2025). Benchmarking Large Language Models for Handwritten Text Recognition. https://arxiv.org/abs/2503.15195

(5) Transkribus (2026). Introducing Text Titan II. https://www.transkribus.org/blog/introducing-text-titan-ii

(6) Semnani, S. J. et al. (2025). CHURRO: Making History Readable with an Open-Weight Large Vision-Language Model for High-Accuracy, Low-Cost Historical Text Recognition. EMNLP 2025. https://arxiv.org/abs/2509.19768

(7) Kim, S. et al. (2025). Early evidence of how LLMs outperform traditional systems on OCR/HTR tasks for historical records. https://arxiv.org/abs/2501.11623