Cómo está hecho
Leer y votar
Un solo ejemplar (431 hojas, unos 1.100 píxeles de ancho por página), leído por el taller con Kraken (el modelo CATMuS-Print) y cuatro configuraciones de Tesseract. Con esta imagen la Kraken lee bien las letras pero se come casi todas las tildes (articulo, numeros; éste no lo lee ni una vez); la Tesseract por columnas las ve. Por eso votan cuatro lecturas (la Kraken y tres Tesseract; la cuarta salía idéntica a otra) con la Tesseract por columnas de pivote, y si las lecturas solo se distinguen por una tilde, gana el pivote: así el léxico de hoy no quita las tildes del libro (fué, dió, á, ó: sin esa regla cambiaba tres fué por fue). Sin modelos de lenguaje (`obra.py`, el programa del consenso).
Medir
Contra seis páginas copiadas a mano en la imagen (págs. 9, 46, 116, 226, 326 y 366; 10.940 letras), el texto publicado se equivoca en un 3,50 % de las letras. Casi todo está en la pág. 116, una tabla de conjugación a dos columnas (23,2 %), donde la máquina mezcla el orden de las columnas; en la prosa, entre el 0,86 % (la 326) y el 1,84 % (la 366, la de los acentos, llena de ejemplos con tilde), y la 46, con una tabla de declinación, 3,33 %.
| texto | CER | WER | pág. 9 | pág. 46 | pág. 116 (tabla) | pág. 226 | pág. 326 | pág. 366 |
|---|---|---|---|---|---|---|---|---|
| el voto de cuatro lecturas, la Tesseract por columnas de pivote (lo publicado) | 3,50 % | 9,7 % | 0,99 | 3,33 | 23,22 | 1,26 | 0,86 | 1,84 |
| las cinco, con la Kraken de pivote | 3,78 % | 10,6 % | 1,04 | 7,88 | 17,65 | 1,61 | 0,96 | 1,84 |
| Kraken sola | 5,13 % | 14,0 % | 1,18 | 9,21 | 24,97 | 1,81 | 1,34 | 3,68 |
| Tesseract por columnas (tess-col2-psm6) sola | 3,15 % | 11,3 % | 1,23 | 4,06 | 15,17 | 2,07 | 1,10 | 1,93 |
Trocear
Por reglas que se leen, sin modelos de lenguaje (`herramientas/gramaticas-libro/`, con tests). Las reglas solo quitan o juntan lo que la máquina o el impresor ponen fuera del texto; no se corrige ninguna palabra.
- El párrafo que sigue en la página siguiente se junta, y la palabra partida entre dos páginas se escribe entera (92).
- Lo que la máquina dejó de los titulillos de arriba de cada página («GRAMÁTICA CASTELLANA.», «PARTE I, CAPÍTULO VI.», «CONSTRUCCIONES CON PREPOSICIÓN.») y las cabezas sueltas «CAPÍTULO …» y «PARTE …», fuera (71): el capítulo se encuentra por su título.
- Los capítulos, del índice del libro: en su página se busca su título como lo leyó la máquina y se parte ahí; el título que se enseña es el del índice. La Prosodia no tiene capítulos: van sus apartados (alfabeto, sílabas, diptongos, acentos…).
| partes | capítulos | párrafos | páginas leídas | palabras |
|---|---|---|---|---|
| 8 | 34 | 4081 | 416 | 112.101 |
Lo que queda mal y se ve: las tablas de las conjugaciones (Parte I, cap. VI, págs. 70-175) y las de los verbos irregulares por sus terminaciones, que salen con las columnas mezcladas y los puntos de relleno; las listas a dos y tres columnas (la de las palabras que se construyen con preposición, págs. 289-320; el catálogo de voces de escritura dudosa, págs. 383-403; la tabla alfabética de materias y el índice), que se leen en desorden y con restos de los puntos; alguna ó leída 0; y las versalitas, que la máquina lee unas veces en mayúsculas y otras no.
El texto entero, en TXT. Todo es de dominio público; lo nuestro (el troceado, las cuentas, estas páginas), CC BY 4.0, Karb and Sil.