Amanuensis

Lee cualquier página de la historia y escribe lo que le dictan. En tu ordenador, y sin inventar una sola letra.

Reads any page in history and writes down what it is told. On your own machine, without making up a single letter. (English below)

Amanuensis es un lector especializado en documentos históricos y en español: manuscritos e impresos de los siglos XII al XX, con sus abreviaturas y su ortografía, en una máquina corriente y sin mandar nada fuera. Lee también impreso moderno y otras escrituras, pero no compite con los grandes modelos generales en lo que ellos hacen mejor (letra a mano actual, documentos modernos complejos); las cifras de dónde gana y dónde pierde están abajo y en el informe técnico.

Un amanuense escribía lo que leía y lo que le dictaban. Amanuensis hace las dos cosas: OCR de impreso moderno y antiguo, HTR de manuscritos de los siglos XII al XX y voz a texto con el instante de cada palabra, sobre el codificador de EmbeddingGemma 2 de Google y unos lectores diminutos propios. No genera texto: reconoce. Cada carácter sale con su posición en la imagen y su confianza.

uv tool install git+https://github.com/joseluissaorin/amanuensis
amanuensis documento.pdf                    # Markdown por la salida estándar

La familia

	qué es	dónde corre	para qué
Amanuensis	el modelo grande: la página entera (renglones, maquetación con tablas y notas al margen, orden de lectura, lector grande con selector por escritura)	GPU del Mac (Core ML) o CPU; ~7 s por página en un Mac	manuscritos, impresos antiguos, prensa, tablas, otras escrituras
Amanuensis Ligero	lector diminuto de 3,5 M parámetros; --rapido usa por dentro el Mínimo (1,07 M)	CPU, décimas de segundo por página	impreso latino de una columna, lotes grandes
Amanuensis Voz	voz a texto, módulo opcional	CPU, 37-45 veces el tiempo real	entrevistas, clases, subtítulos

Por defecto (-m auto) cada página va a Amanuensis o a Ligero según lo que sea.

Por qué

Examen sellado: 15 537 líneas de colecciones que no tocó ningún entrenamiento, en ocho grupos (impreso moderno y antiguo, manuscritos medievales y modernos, letra a mano de los ss. XX-XXI, prensa, formularios, escaneos degradados), más el bloque de CMMHWR (6933 líneas de manuscrito medieval): 22 470 líneas en total. CER en %, caracteres mal leídos; los demás sistemas, con su mejor configuración pública en las mismas imágenes.

	media de los 8 grupos	letra a mano moderna	escaneos degradados	manuscritos (CMMHWR)
Amanuensis	14,8	14,9	11,5	9,94
Amanuensis Ligero	21,5	26,0	10,2	14,8
Amanuensis Ligero, modo rápido	24,2	30,3	12,2	17,6
PP-OCRv6 medium (afinado por Kiessling)	20,1	18,0	19,6	15,7
Gemma 4 E2B	29,1	9,60	23,4	45,2
dots.ocr	29,7	16,3	25,5	42,8
Tesseract (modelo de cada lengua)	43,4	53,0	30,7	64,8
Indra OCR	55,7	42,2	59,9	73,9

Donde perdemos: la letra a mano moderna la leen mejor los modelos de visión y lenguaje grandes (Gemma 4: 9,6), y en páginas enteras de prensa a muchas columnas el orden de lectura todavía intercala columnas (Tesseract nos gana ahí). Detalle en el informe técnico.

Qué hace

• Documentos: PDF, imágenes (también TIFF de varias páginas) o carpetas enteras a Markdown, HTML, texto, JSON, TEI, PAGE XML, ALTO o hOCR.
• PDF digitales: si el PDF trae una capa de texto fiable, la usa tal cual (instantáneo y exacto); solo hace OCR de las páginas sin capa o con la capa rota.
• Manuscritos: transcripción grafemática con los signos MUFI (ſ, ꝑ, ꝯ, ⁊…), como CATMuS.
• Todas las escrituras en impreso moderno con el lector multilingüe (-m multilingue).
• Imágenes (con la maquetación completa, --imagenes): figuras, grabados, capitulares, sellos y fórmulas recortados a la resolución original (img/<documento>/p001_fig01.webp), sin duplicar ornamentos repetidos, enlazados con su pie, con las llamadas «fig. N» del texto y la capitular con su palabra, y colocados en todas las salidas: Markdown ![pie](…), HTML <figure>, TEI <figure><graphic/><head/><figDesc/>, PAGE ImageRegion/GraphicRegion, ALTO <Illustration> y JSON. El texto alternativo es el pie o un descriptor Iconclass recuperado por similitud (no generado).
• Página entera con Amanuensis (-m amanuensis, o solo cuando hace falta con auto): renglones de alta resolución, maquetación con zonas, notas al margen, cabeceras, notas al pie, tablas por celdas (Markdown, HTML, TEI <table>, PAGE TableRegion, ALTO), orden de lectura aprendido y selector por escritura (alfabeto latino al lector histórico; árabe, cirílico, devanagari, CJK… al multilingüe).
• Letras dudosas marcadas con su probabilidad en todas las salidas: TEI <unclear cert>, hOCR x_confs, ALTO WC/CC, PAGE conf, HTML resaltado y JSON dudas (--dudas P fija el umbral).
• Arrojo (--arrojo, de 0 a 1; 0,5 = neutro): cuánto se arriesga el lector. Súbelo en escaneos muy malos o de baja resolución (calla menos letras); bájalo si prefieres huecos a inventos.
• Estructura rica (--estructura diccionario|comic): entradas de diccionario en TEI <entry>/<form>/ <gramGrp>/<sense> y viñetas de cómic en <div type="panel">, también en Markdown y JSON.
• Voz: audio o vídeo a con el inicio y el fin de cada palabra, en 40 lenguas, con mayúsculas y puntuación y, si quieres, un modelo de lengua por idioma ().

This is the beginning of the README. Read the rest at the original. Read the full README ↗