Qué es La lengua

Qué hace

• Los libros. 22 obras en texto, del Tesoro de Covarrubias (1611) a Alemany (1917), en 5 colecciones y 6 épocas. Cada una con su ficha, su texto troceado por artículos, su página del original y sus descargas. Todas a la vez, en el buscador de palabras; una a una, en el catálogo; por épocas, en las épocas.
• Las historias. 17 microsites y páginas sobre sus autores, editores e impresores, con cada dato y su fuente: las historias.
• Los datos. Todo se puede descargar, obra a obra, en JSON y en texto: los datos.

Cómo se hace

1. El escaneo. Partimos de copias ya escaneadas de ejemplares de dominio público: hoy conocemos 52 copias de las 22 obras. Cada ficha dice dónde encontrar ejemplares de su edición y nuestra opinión de cada copia que conocemos.
2. La lectura, con varios testigos. Cada página se lee por OCR (Kraken, tesseract) y, cuando hay varios escaneos o varias lecturas de la misma página, se vota entre ellas, por reglas: 11 de las 22 obras están votadas, en todo o en parte, y 2 más se corrigen con otra edición que hace de testigo. Cuánto acierta cada una se mide a mano, contra trozos transcritos: entre 0,52 y 7,52 errores por cada 100 caracteres (la mediana, 2,77).
3. La limpieza, por reglas. El texto se trocea en artículos y se corrige con reglas que se leen y se explican, nunca a mano ni con modelos de lenguaje: 1.093.981 artículos.
4. Las épocas. Cada obra va a su momento ortográfico, que mide el rasgómetro por lo que trae escrito; un transductor de grafías por época (24 reglas) pasa sus palabras a la grafía de hoy, contra un léxico de 1.192.855 formas, y así una palabra se sigue de obra en obra.

Las cifras

Contadas de los datos al generar la página, el 20/10/2026 13:27.

Dónde encontrar ejemplares

En la ficha de cada obra, las bibliotecas que tienen ejemplares de su edición, según tres catálogos: la Biblioteca Virtual de la Filología Española, la Biblioteca Virtual del Patrimonio Bibliográfico y Europeana, con el enlace a su registro. Es información bibliográfica: dónde está el libro. Una ficha de un catálogo es de la obra si su autor está en el de la obra, su año cae en las fechas de la obra y comparte con su título tres palabras de cinco letras o más.

Nuestra opinión de cada copia

De cada copia escaneada que conocemos decimos cuatro cosas, por reglas y de los datos, nunca a ojo:

• Completa o con huecos. Cada obra enlaza cada página impresa con su imagen por tramos («de la página tal a tal»). Si entre dos tramos de la misma copia y el mismo tomo hay páginas que no están en ninguno, le faltan, y lo decimos («faltan las págs. 289-294»). Si no hay hueco, «sin huecos en lo leído»; si la copia no tiene tramos, «sin comprobar».
• Resolución. El ancho de la página en píxeles (la mediana de cinco páginas repartidas por el libro): menos de 800 px, baja; de 800 a 1599 px, suficiente; 1600 px o más, buena (unos 300 puntos por pulgada en una página de octavo).
• Legibilidad. El porcentaje de caracteres mal leídos (CER) de nuestra lectura, medido contra trozos transcritos a mano, dicho en palabras: menos del 2 %: «se lee bien»; menos del 5 %: «se lee, con alguna letra mal leída»; menos del 10 %: «se lee con dificultad»; más: «se lee mal». Es la medida de la obra o de cada tomo: cuando hay varias copias, la lectura sale de votar entre ellas.
• Manuscrito o impreso, por lo que dice su ficha.

Quién lo hace

La lengua es una web de Wordkers, hecha por Karb and Sil. Lo nuestro sale con licencia CC BY 4.0; el texto de las obras es de dominio público. ¿Hay un libro que quieras ver aquí? Propón un libro.

Agradecimientos

Las copias que leemos salen de 54 bibliotecas y repositorios de medio mundo. Les damos las gracias, a todas juntas y sin decir qué copia es de cuál, en los agradecimientos.