Generador de Glosarios Contextuales Glosario terminológico automático de un PDF: TBX y XLIFF

Generador de Glosarios Contextuales: terminología consistente para traducción profesional

Cuando un traductor recibe un manual técnico o un contrato de 80 páginas, el primer trabajo invisible es construir el glosario: identificar los tecnicismos, siglas y expresiones que deben traducirse igual en todo el documento. Hacerlo a mano lleva horas. Esta herramienta lo automatiza con IA, conservando el contexto en el que aparece cada término.

Arquitectura asíncrona desacoplada

Los documentos pesados no se procesan en la petición HTTP. Al subir el archivo, FastAPI lo almacena, crea una tarea PENDING en SQLite e inyecta su ID en una cola Redis. Un consumidor —que corre como tarea asíncrona dentro del propio servicio— recoge la tarea, la procesa por fases y actualiza el progreso, mientras el frontend hace polling en tiempo real. Así se aceptan archivos grandes sin bloquear el servidor ni saturar los rate limits del LLM.

Pipeline de IA: Map → Reduce → Reflect

No es un único prompt, sino un pipeline en tres fases:

• Map: el texto se divide en fragmentos de ~1.800 palabras y cada uno se envía a Groq (Llama 3.3 70B) con un prompt especializado en localización (L10n) que devuelve JSON estricto.
• Reduce: se deduplican los términos que aparecen en páginas distintas.
• Reflect: un segundo paso agéntico revisa el glosario consolidado, elimina falsos positivos, fusiona variantes del mismo concepto y unifica las traducciones inconsistentes.

Export en formatos de industria

El glosario se descarga en CSV (universal, para Excel/Sheets) y en TBX (TermBase eXchange, ISO 30042), el estándar de intercambio de bases terminológicas que importan directamente SDL Trados, memoQ y otras herramientas CAT.

Nota: la extracción la realiza un LLM; el resultado es un punto de partida de alta calidad que el profesional debe revisar antes de usar en producción.

Integración, datos y licencia

• Integración: API REST propia (FastAPI) con 6 endpoints documentados en el repositorio; se puede consumir desde cualquier lenguaje o plataforma, con especificación OpenAPI autogenerada.
• Tratamiento de datos: la demo pública envía a Groq (LLaMA) únicamente el contenido necesario para generar la respuesta. No se almacenan las conversaciones en base de datos ni se asocian a ninguna identidad. En un despliegue propio decides tú el proveedor — incluido un modelo local, con el que ningún dato sale de tu infraestructura.
• Nota: Los documentos subidos se procesan para generar el glosario y se eliminan al finalizar el trabajo.
• Licencia: MIT — uso libre, incluido comercial, manteniendo el aviso de copyright. El repositorio contiene la aplicación completa y puede desplegarse en infraestructura propia. El código es gratuito; los costes de motor de IA, infraestructura, implantación y mantenimiento corren por cuenta de quien lo despliega (no se ofrece soporte ni consultoría).

¿Cómo lo integro?

Disponible ahora: Procesamiento asíncrono de documentos con descarga del glosario en CSV y en TBX-Basic (ISO 30042); pensado para lotes grandes.

Integraciones habituales en este sector (valoradas como vía recomendada; salvo que se indique lo contrario, no vienen implementadas — el código está preparado para añadirlas):

• TBX (ISO 30042) — YA IMPLEMENTADO: el glosario se descarga directamente en TBX-Basic válido, el estándar internacional de intercambio de terminología. Se carga tal cual en cualquier herramienta profesional de traducción, sin conversión.
• CAT tools (Trados, memoQ, Smartcat, Phrase): una vez hay TBX, la terminología entra en el flujo de trabajo del traductor sin copiar y pegar.
• XLIFF 2.0 (OASIS) — YA IMPLEMENTADO: GET /download/{job}/xliff devuelve el glosario como fichero de intercambio de traducción, con cada término y su traducción propuesta ya rellena en <target>. Se abre en Trados, memoQ, OmegaT, Phrase o Smartcat y el traductor revisa en vez de teclear. Los segmentos van marcados state="translated", no "final": lo ha propuesto un modelo y necesita revisión humana.
• Sistemas de gestión de traducción (TMS): generación automática del glosario al dar de alta un proyecto nuevo.