Detectar el idioma de un documento

El problema de enrutamiento que nadie nota hasta que falla

Una bandeja de soporte, una carpeta de recepción legal o un proyecto de archivo escaneado rara vez llegan etiquetados por idioma; el archivo simplemente aparece, y cada paso posterior —qué modelo de OCR usar, a qué traductor asignarlo, qué revisor domina el idioma lo suficiente para verificarlo— depende de conocer esa respuesta primero. Adivinar mal desperdicia por completo un ciclo de procesamiento, y hacerlo abriendo cada archivo a mano no funciona más allá de unas pocas docenas de documentos.

Quién necesita saber el idioma antes que nada

Agencias de traducción que clasifican un lote entrante de archivos de un cliente antes de cotizar o asignar traductor, equipos de soporte multinacionales que enrutan correspondencia escaneada a la oficina regional correcta, archivos digitales que ordenan una colección en varios idiomas antes de aplicar modelos de OCR específicos por idioma, y equipos de cumplimiento que marcan documentos en un idioma que requiere la aprobación de un revisor específico.

Qué devuelve la llamada

Envía el archivo a POST /ocr/language y recibe un task_id de inmediato, porque la detección corre como una tarea asíncrona en lugar de bloquear la solicitud. El resultado —el idioma o idiomas detectados, ordenados según cuánto del documento cubre cada uno en los casos de idiomas mixtos— llega mediante un webhook firmado o queda disponible en un enlace firmado durante 24 horas.

Por qué los documentos con varios idiomas son la verdadera prueba

Un memorando en un solo idioma es el caso fácil; el más difícil y mucho más común es un documento que cambia de idioma a mitad de página —un contrato con una cláusula en inglés y un anexo en español, un formulario con etiquetas impresas en un idioma y respuestas manuscritas en otro, un hilo de correo que va cambiando de idioma según responde cada participante. Detectar el idioma de forma confiable exige leer el documento completo en lugar de muestrear la primera línea, porque esa primera línea es precisamente donde un documento tiene menos probabilidad de revelar lo que hay en la página cuatro.

Dónde se ubica antes que todo lo demás

A $0.003 por solicitud más $0.0135 por documento, y con cobro solo cuando la detección tiene éxito, este endpoint resulta lo bastante económico como para correr como el primer paso de un flujo de recepción, antes del OCR, antes de la traducción, antes de que el documento llegue a una cola humana: el idioma detectado se convierte en la clave de enrutamiento para lo que sigue. Una detección fallida se reintenta automáticamente hasta tres veces sin costo, y el acceso requiere saldo prepago; no hay capa gratuita, lo que mantiene el endpoint ágil bajo volumen de recepción.