Corrector Gramatical y Parafraseador IA

Acerca del Corrector Gramatical y Parafraseador IA

Nuestro Corrector Gramatical y Parafraseador IA usa la API LanguageTool para verificación gramatical avanzada y el modelo PEGASUS de Hugging Face para parafraseo inteligente. El corrector gramatical analiza tu texto en busca de errores de ortografía, gramática, estilo y puntuación con sugerencias contextuales.

El parafraseador IA usa aprendizaje profundo basado en transformers para generar alternativas de sonido natural mientras preserva el significado. Ambas funciones requieren conexión a internet para acceder a potentes APIs IA basadas en la nube. Nota: Tu texto se envía a servicios externos para procesamiento. Consulta también nuestro Resumidor de Texto IA y Traductor IA.

¿Se sube mi texto a un servidor al usar este corrector gramatical?

No. Este Corrector Gramatical y Parafraseador IA se ejecuta completamente en tu navegador usando Transformers.js y WebAssembly. El modelo de lenguaje se descarga una sola vez desde la CDN de Hugging Face (y queda almacenado en caché local), tras lo cual toda la corrección y paráfrasis ocurre en tu CPU o GPU sin que tu texto salga jamás del dispositivo. No hay llamadas a un backend, ni registros, ni telemetría sobre tu entrada. Esto es crítico para contratos legales, notas médicas, memorandos internos y ensayos académicos donde la confidencialidad importa. Puedes verificarlo abriendo DevTools y observando que ninguna petición XHR sale con tu texto después de que el modelo termina de cargar.

¿Qué modelo de lenguaje utiliza la herramienta?

El núcleo es una variante cuantizada de T5 o FLAN-T5 servida mediante Hugging Face Transformers.js, normalmente entre 60M y 250M parámetros para que la descarga se mantenga por debajo de 100 MB y la inferencia sea fluida en un portátil de gama media. T5 es un transformer codificador-decodificador afinado sobre conjuntos de corrección de errores gramaticales (JFLEG, BEA-2019) y paráfrasis (PAWS). El modelo se carga con ONNX Runtime Web en cuantización INT8, sacrificando 1 o 2 puntos BLEU de calidad a cambio de reducir el tamaño 4 veces y duplicar o triplicar la velocidad respecto a FP32. Para textos largos, la herramienta divide la entrada por frases para mantenerse dentro de la ventana de 512 tokens.

¿Qué tan precisas son las correcciones frente a Grammarly o LanguageTool?

En benchmarks GEC estándar (CoNLL-2014, BEA-2019), los modelos pequeños basados en T5 alcanzan un F0.5 de aproximadamente 50 a 60, mientras que sistemas comerciales como Grammarly o modelos de clase GPT-4 se sitúan entre 65 y 75. En la práctica la herramienta detecta la mayoría de errores de concordancia, artículos, preposiciones y tiempos verbales, pero puede pasar por alto sutilezas estilísticas, modismos y jerga de dominio. LanguageTool combina reglas y ML y suele ser más fuerte en idiomas europeos distintos del inglés. Para documentos críticos, pasa el texto por esta herramienta para una revisión rápida y local, y luego repasa las sugerencias manualmente.

¿Por qué a veces la paráfrasis cambia el significado de mi frase?

Los modelos de paráfrasis se entrenan con pares donde el objetivo conserva la idea general pero con redacción distinta — optimizan diversidad superficial, no fidelidad semántica. Cuando la entrada contiene entidades nombradas raras, negaciones, restricciones numéricas o cláusulas anidadas, el decodificador puede omitir o invertir tokens para mantener fluidez, alterando silenciosamente el significado. Esto se llama deriva semántica y es una limitación conocida de los paráfraseadores seq2seq. Como mitigación, baja la temperatura/top-p (reescritura más conservadora), divide frases largas antes de parafrasear y revisa la salida antes de publicarla. Si la preservación del significado es vital, parafrasea solo los sintagmas nominales o usa la herramienta en modo sugerencia.

¿Puedo ejecutar el modelo en mi GPU para mayor velocidad?

Sí. Transformers.js detecta automáticamente WebGPU en Chrome 113+ y Edge, y recurre a WebAssembly con SIMD en otros navegadores. Con WebGPU activado, la corrección de un párrafo de 200 palabras baja de 3 a 5 segundos (WASM, CPU de 4 núcleos) a unos 0,5 a 1 segundo (GPU integrada). Puedes confirmar el backend activo en la consola de DevTools buscando la línea device: webgpu emitida por ONNX Runtime Web. En Apple Silicon y GPUs Nvidia/AMD recientes la mejora es aún mayor: un T5-base cuantizado procesa 30 a 50 tokens por segundo en WebGPU frente a 8 a 12 en WASM.

¿Funciona la herramienta sin conexión una vez descargado el modelo?

Sí — tras la primera carga exitosa, los archivos ONNX y el tokenizador se almacenan en el Cache Storage del navegador (compatible con service workers) y en IndexedDB. Puedes desconectarte de internet, recargar la página y la herramienta seguirá funcionando mientras el caché sobreviva. La mayoría de navegadores conservan los modelos cacheados durante semanas o meses salvo que borres los datos del sitio o tengas poco espacio en disco. Esto es útil en aviones, redes seguras o zonas con conectividad intermitente. Para uso offline garantizado, instala la página como PWA donde se permita, para que el service worker fije los archivos del modelo.

¿Cuál es la diferencia entre cuantización INT8 y FP16 — cuál es mejor?

La cuantización reduce la precisión de los pesos del modelo de coma flotante de 32 bits a representaciones de menos bits. INT8 (enteros de 8 bits) reduce el tamaño unas 4 veces y es el predeterminado para WebAssembly porque la mayoría de CPUs no tienen ruta nativa FP16. FP16 (coma flotante de 16 bits) reduce el tamaño 2 veces, preserva más rango numérico que INT8 y es preferible en WebGPU donde las GPUs modernas aceleran la media precisión de forma nativa. Para corrección gramatical la brecha de calidad entre INT8 y FP16 es mínima — normalmente menos de 1 BLEU — así que tamaño y velocidad dominan la decisión. La herramienta usa INT8 por defecto; si necesitas máxima calidad puedes pasar quantized: false para descargar los pesos FP32 completos.

¿Por qué se prefiere ONNX Runtime Web sobre TensorFlow.js para esta tarea?

ONNX es un formato portátil de modelos que permite ejecutar el mismo modelo entrenado en backends de PyTorch, TensorFlow y JAX, y la pila oficial de Hugging Face en el navegador (Transformers.js) se basa en ONNX Runtime Web. TFJS es excelente para modelos originados en TensorFlow/Keras y brilla en pipelines de visión, pero la mayor parte de la investigación NLP moderna publica los pesos en PyTorch, que convierten naturalmente a ONNX. ONNX Runtime Web también tiene fusión de operadores más agresiva, mejor cobertura WebGPU en 2026 y un binario de inferencia más compacto. Para un corrector gramatical que carga un T5 desde el Hugging Face Hub con una línea de código, Transformers.js + ONNX es el camino de menor resistencia.