Saltar al contenido

Aprende · Para consultar

Recursos para seguir por tu cuenta

Lo que no es un paso de las rutas, pero sirve para practicar y profundizar. Para el mapa de conceptos, el grafo.

Revisado: noviembre de 2026

Herramientas

Ordenadas por tarea, no por tecnología. La mayoría no exige programar. Las condiciones de acceso y los planes gratuitos cambian con frecuencia.

Cómo trocea una máquina el texto

Muestran qué son los tokens y por qué el mismo contenido cuesta más tokens en unas lenguas que en otras.

Conviene saber: Cada modelo trocea el texto a su manera, y la misma frase no ocupa los mismos tokens en todas las lenguas: el español suele quedar cerca del inglés y lenguas como el catalán o el euskera salen más caras. El número de tokens afecta al coste y al límite de contexto, y una segmentación pobre también puede afectar a la calidad de la respuesta.

Lo explica: Cómo lee una máquina

Asistentes conversacionales

Los grandes modelos de uso general. Se parecen en lo que hacen bien y difieren en estilo, actualización y en cómo fallan.

Conviene saber: Dos asistentes pueden dar respuestas muy distintas a la misma pregunta, y uno mismo puede variar entre intentos. Lo que se escribe en ellos puede almacenarse o usarse según las condiciones de cada servicio.

Lo explica: Hablar con alguien que solo tiene tus palabras

Traducción

Motores de traducción y buscadores de traducciones ya hechas por personas.

Conviene saber: Una traducción fluida no es necesariamente fiel: nombres, cifras, negaciones y términos técnicos son los puntos donde más a menudo cambia el sentido. El destinatario, la variedad y el registro rara vez se infieren bien si no se indican.

Lo explica: Traducción automática

Análisis de corpus

Frecuencias, concordancias y colocaciones, sin programar, sobre textos propios o grandes corpus del español.

Conviene saber: Las frecuencias muestran qué aparece, no qué significa: las concordancias, que enseñan cada palabra en su contexto, suelen decir más. Un corpus representa a quien escribió sus textos, no a toda una población.

Lo explica: El PLN en español

Anotación

Las plataformas con las que se etiquetan textos y audio en los proyectos de datos.

Conviene saber: La herramienta organiza el trabajo, pero no decide qué etiqueta es correcta: eso lo fija la guía de anotación. Los desacuerdos entre anotadores suelen señalar categorías mal definidas más que errores individuales.

Lo explica: Medir el acuerdo entre anotadores

Voz

Análisis acústico, transcripción por capas y corpus abiertos de voz.

Conviene saber: El ruido, el micrófono, el acento y la variedad lingüística cambian mucho la calidad de una transcripción. Una transcripción automática es una hipótesis del sistema, no un registro fiel de lo dicho.

Lo explica: Tecnologías del habla

Investigación

Gestión de bibliografía y búsqueda de trabajos relacionados.

Conviene saber: Estas herramientas localizan y resumen bibliografía, pero sus resúmenes pueden omitir matices o atribuir afirmaciones de forma imprecisa. El artículo original sigue siendo la referencia.

Lo explica: Pregunta-respuesta: comprobar las citas

Programar

No hace falta para entender las rutas. Es el conjunto básico con el que se trabaja en procesamiento del lenguaje.

Conviene saber: Las librerías cambian de versión con frecuencia y un mismo análisis puede dar resultados distintos de una a otra. Por eso el trabajo reproducible registra versiones, datos y pasos.

Lo explica: NLTK, spaCy y Transformers

El PLN en español

Los grandes modelos aprendieron sobre todo de textos en inglés. Conviene saber qué existe hecho en y para el español: para elegir herramientas, para comprobar si un sistema funciona con nuestras variedades y para no dar por bueno en español lo que solo se ha medido en inglés. Por qué las lenguas no están igual de bien servidas se explica en Lo que arrastran.

Corpus: el español tal como se usa

Un corpus es la materia prima: de lo que contiene depende lo que un sistema puede aprender y lo que se puede comprobar.

  • CORPES XXI (RAE)

    Corpus del español del siglo XXI con textos de España y América, clasificados por país, tema y tipo de texto. Permite consultar frecuencias y concordancias.

    Límite: Se consulta en línea; no se descarga entero para entrenar modelos.

  • Corpus del Español

    Corpus muy grande de textos de la web, con información de país, útil para comparar variedades.

    Límite: Al venir de la web, refleja sobre todo cómo se escribe en internet.

  • AnCora

    Corpus de prensa anotado a mano con categorías, sintaxis y entidades. Con él se entrenan y evalúan muchos analizadores del español (ver Extracción de información).

    Límite: Es prensa: los sistemas entrenados con él rinden peor en otros registros.

Modelos entrenados para el español

Los grandes modelos comerciales son multilingües, pero aprendieron sobre todo de textos en inglés. Estos se entrenaron con el español (y otras lenguas de España) en el centro.

  • BETO

    Primer modelo tipo BERT entrenado solo con español (Universidad de Chile). Sirve para clasificar y analizar textos, no para conversar.

    Límite: Es un modelo de análisis, no generativo, y ya tiene unos años.

  • MarIA (RoBERTa-BNE)

    Modelos entrenados con el archivo web de la Biblioteca Nacional de España, dentro del Plan de Tecnologías del Lenguaje.

    Límite: También de análisis, no conversacionales.

  • Salamandra

    Modelos generativos abiertos del Barcelona Supercomputing Center, entrenados con todas las lenguas oficiales de España. Hay versión ajustada para seguir instrucciones.

    Límite: Más pequeños que los comerciales: aciertan menos en tareas complejas.

  • ALIA

    Infraestructura pública de modelos en español y lenguas cooficiales, que agrupa los modelos del BSC.

    Límite: Proyecto en desarrollo: conviene revisar qué modelos ofrece en cada momento.

Herramientas

Para analizar textos en español sin entrenar nada.

Evaluación: cómo de bien funciona en español

Que un modelo funcione bien en inglés no dice cómo funciona en español. Estas evaluaciones usan textos escritos en español, no traducidos.

  • IberLEF

    Campaña anual de tareas compartidas en lenguas ibéricas: detección de ironía, de odio, de textos generados… Cada tarea publica sus datos y los resultados.

    Límite: Cada año cambian las tareas; los datos de ediciones anteriores siguen siendo útiles.

  • ODESIA

    Tabla de resultados de la UNED que compara tareas equivalentes en español e inglés, para medir la distancia entre lenguas.

    Límite: Mide modelos de análisis más que asistentes conversacionales.

  • La Leaderboard

    Evaluación abierta de modelos generativos en español y lenguas de España.

    Límite: Las tablas cambian con cada modelo nuevo: es una foto del momento.

  • IberBench

    Banco de pruebas de modelos generativos en lenguas ibéricas y variedades del español.

    Límite: Igual que el anterior: resultados que caducan pronto.

Comunidad

Dónde se publica y se discute el PLN en español.

  • SEPLN

    Sociedad Española para el Procesamiento del Lenguaje Natural. Organiza el congreso anual (donde se presenta IberLEF) y publica la revista Procesamiento del Lenguaje Natural, de acceso abierto.

    Límite: Orientada a investigación: los artículos son técnicos.

Lecturas

De las introducciones divulgativas a los manuales y los artículos originales. Los resúmenes, incluidos los automáticos, no sustituyen a la fuente.

Para empezar

Sin matemáticas ni código.

Para profundizar

Manuales de referencia. Algo de técnica, explicada.

Los artículos que cambiaron el campo

Técnicos. Merece la pena al menos leer su introducción.

Ver y escuchar

  • The Illustrated Transformer

    Jay Alammar · EN · gratis en línea

    Las explicaciones visuales más citadas de cómo funcionan los Transformers, la atención y los embeddings.

    Lo amplía en esta web: Cómo aprende y cómo se evalúa

  • Redes neuronales y Transformers

    3Blue1Brown · EN · gratis en línea

    Vídeos con animaciones excelentes sobre qué pasa dentro de un modelo de lenguaje. Hay subtítulos en español.

  • DotCSV

    Carlos Santana · ES · gratis en línea

    El canal de divulgación sobre IA más conocido en español: novedades y explicaciones.

  • Charlas de Somos NLP

    Comunidad Somos NLP · ES · gratis en línea

    Charlas en español sobre procesamiento del lenguaje y modelos para nuestra lengua.

  • CS224N: NLP with Deep Learning

    Universidad de Stanford · EN · gratis en línea

    Las clases completas del curso de Christopher Manning. Técnicas, pero muy claras.

  • Cursos de Hugging Face

    Hugging Face · EN · gratis en línea

    Cursos gratuitos y prácticos sobre modelos de lenguaje, para cuando quieras programar.

Comunidad en español

  • SEPLN

    Sociedad Española para el Procesamiento del Lenguaje Natural · ES

    La asociación científica de referencia en España. Organiza un congreso anual y publica una revista en español.

  • Somos NLP

    Comunidad hispanohablante · ES

    Comunidad abierta para el procesamiento del lenguaje en español: hackatones, charlas y proyectos colaborativos.

  • ALIA

    Gobierno de España y centros de investigación · ES

    La familia pública de modelos de lenguaje en español y lenguas cooficiales, sucesora de MarIA.

  • HiTZ

    Centro Vasco de Tecnología del Lenguaje (UPV/EHU) · ES

    Investigación en tecnologías del lenguaje, con mucho trabajo en euskera y lenguas con pocos recursos.

  • SINAI

    Universidad de Jaén · ES

    Grupo especializado en análisis de opiniones y emociones en español.

  • TALP

    Universitat Politècnica de Catalunya · ES

    Tecnologías del habla y del lenguaje.