Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

La transcripción automática de prensa digitalizada histórico-musical: Avances con eScriptorium

La digitalización de documentos históricos es una herramientas fundamental para preservar y hacer accesibles las fuentes del pasado, pero este proceso resulta especialmente complejo cuando trabajamos con textos históricos con tipografías específicas. Gracias a la digitalización de instituciones españolas, entre las que destaca la hemeroteca de la BNE, disponemos actualmente de un gran número de revistas y prensa musical para poder desarrollar un corpus significativo de fuentes. Pero uno de los mayores obstáculos que encontramos a la hora de trabajar con estos corpus es la transcripción imprecisa, con “ruido de ocr”, que no solo depende de la calidad de los documentos originales, sino también de la tecnología disponible para transformar imágenes de texto en datos legibles por la máquina. En este contexto, la transcripción automática se presenta como una solución para mejorar la calidad del reconocimiento óptico de caracteres (OCR) y facilitar la investigación en áreas tan específicas como la prensa histórico-musical.

El papel de la transcripción automática en el OCR

Como es bien conocido, el OCR es una tecnología que permite convertir texto impreso o escrito a mano en datos digitales, pero, como todas las tecnologías, no está exenta de limitaciones, especialmente cuando se trata de textos históricos, donde los caracteres pueden estar distorsionados o deteriorados. A medida que avanzamos en la digitalización de documentos antiguos, se hace necesario mejorar la precisión del OCR mediante el uso de algoritmos de aprendizaje automático que ayuden a corregir los errores típicos. En particular, la transcripción automática basada en modelos entrenados para un tipo específico de documento, como la prensa histórico-musical, puede marcar una diferencia significativa, ya que permite adaptar los sistemas OCR a las peculiaridades de los textos que contienen terminología musical, nombres de compositores y eventos culturales que no suelen ser comunes en otros tipos de prensa.

eScriptorium: Un avance en la transcripción automática

En este contexto, la plataforma eScriptorium ha jugado un papel importante para LexiMus-USAL, al ofrecer una herramienta libre y de código abierto que facilita la transcripción automática de documentos históricos. eScriptorium permite a investigadores, bibliotecarios y cualquier persona interesada desarrollar y refinar modelos de OCR específicos para diferentes tipos de texto, y lo hace de manera colaborativa. La principal ventaja de eScriptorium es que es una plataforma accesible para todos, independientemente del nivel de experiencia y de la financiación de que disponga el proyecto, lo que democratiza el acceso a las tecnologías en el campo de la transcripción automática.

Desde la Universidad de Salamanca, estamos avanzando en el uso de eScriptorium gracias a la colaboración con el Instituto de Estudios Medievales y Renacentistas y de Humanidades Digitales (IEMYRHD), que ha instalado la herramienta al servidor de la USAL, lo que facilita su acceso a través de la intranet universitaria, mejorando así las capacidades de investigación y digitalización en nuestra comunidad académica. Véase un ejemplo de transcripción realizada dentro del proyecto en este enlace.

Uno de los aspectos más innovadores de eScriptorium es su capacidad para mejorar y personalizar los modelos. A través de su interfaz, cualquier usuario puede entrenar modelos en función de las características específicas de los documentos que está analizando. Esto significa que es posible mejorar la precisión del reconocimiento de textos, incluso en contextos especializados como la prensa histórico-musical, donde las fuentes tipográficas y los estilos de escritura requieren de sus propios ajustes.

Una de las mayores dificultades que estamos encontrando actualmente es la segmentación: dado que cada fuente tiene una disposición de columnas diferentes y en muchas ocasiones un mismo periódico tiene segmentaciones distintas en diversas páginas (cabeceras, anuncios, dos/tres columnas, etc.) Por ello, en la actualidad estamos mejorando modelos con la opción de refinado priorizando las revistas musicales con un importante valor histórico pero que a su vez se hayan escritas a una sola columna y con una maquetación más sencilla.

El trabajo en la mejora del modelo dentro del proyecto LexiMus

Un claro ejemplo de cómo la transcripción automática puede mejorar la calidad del OCR en la prensa histórico-musical es el trabajo realizado en el marco del proyecto LexiMus-USAL para la creación de un corpus significativo. Como parte de este proyecto, se ha trabajado en la mejora del modelo OCR específicamente para textos que contienen terminología musical, artículos sobre compositores, conciertos y otros eventos musicales del pasado.

Dentro de estos desarrollos destacamos la mejora del modelo catmus-print-fondue-large  para documentos de prensa histórica relacionados con música. Una primera versión mejorada del modelo, se encuentra ya disponible en el repositorio de Zenodo, y está orientada a la correcta transcripción de textos con una tipografía compleja y caracteres que resultan difíciles de identificar por los algoritmos convencionales de OCR.

La importancia de tener corpus de textos limpios para una ontología informática de la música

A partir de este modelo, y de las transcripciones realizadas con eScriptorium, así como de la extracción automática de noticias musicales en prensa y revistas generalista, estamos consiguiendo una limpieza y precisión sustancial de los datos. La transcripción precisa de estos textos no solo es crucial para la investigación histórica, sino también para el desarrollo de ontologías musicales, que son básicas para comprender mejor las relaciones entre diferentes conceptos musicales y su evolución a lo largo del tiempo.

Al integrar textos históricos en ontologías, especialmente en un corpus significativo de obras con textos musicales, es imprescindible que estos textos sean transcritos de manera limpia y precisa. De lo contrario, los errores de OCR pueden propagar confusión, dificultando el análisis semántico y la extracción de patrones relevantes.

Los textos históricos de prensa, cuando están correctamente transcritos, proporcionan ejemplos claros y contextuales del uso de la terminología musical utilizada en épocas pasadas. Términos específicos, nombres de compositores, estilos musicales, e incluso frases que describen la evolución de ciertos géneros musicales, pueden servir como datos clave para construir una ontología más completa y precisa. Además, los artículos sobre conciertos, críticas musicales, entrevistas con músicos, anuncios y reseñas de obras permiten capturar cómo se usaban estos términos dentro de contextos culturales y sociales muy específicos, enriqueciendo la ontología con ejemplos reales de uso.

Un corpus bien transcrito, como el que se está generando en el marco del proyecto LexiMus, no solo mejora la calidad de la investigación académica, sino que también proporciona un repositorio valioso para el futuro de la musicología digital. Con una base de datos limpia y estructurada, los investigadores podrán trazar con más claridad la evolución de las ideas musicales, detectar patrones en el lenguaje usado para describir las obras y ofrecer modelos computacionales más precisos de la historia de la música.

Por lo tanto, la mejora del OCR en textos históricos no es solo una cuestión técnica, sino también una pieza clave para el avance de proyectos como las ontologías musicales, que requieren de un trabajo cuidadoso y exhaustivo para garantizar que los datos sean lo más precisos y representativos posible. Esto no solo facilita el análisis de los textos en sí, sino que también crea un entorno más accesible para la investigación interdisciplinaria, donde lingüistas, musicólogos e historiadores podrán colaborar en el estudio de la música y su historia.


OpenEdition le sugiere que cite este post de la siguiente manera:
Maria Palacios Nieto (10 de octubre de 2025). La transcripción automática de prensa digitalizada histórico-musical: Avances con eScriptorium. Léxico de la música en español. Recuperado 14 de mayo de 2026 de https://leximus.hypotheses.org/638


Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

This site uses Akismet to reduce spam. Learn how your comment data is processed.