---
name: translate_es_to_en
kind: function
lang: py
domain: datascience
version: "1.0.0"
purity: impure
signature: "def translate_es_to_en(text: str, tokenizer: Any, model: Any, max_length: int = 512, num_beams: int = 4) -> str"
description: "Traduce texto espanol a ingles frase a frase usando MarianMT. Divide por boundaries de oracion, traduce cada una independientemente y une con espacio. Preserva nombres propios mejor que pasar el parrafo entero."
tags: [marianmt, translation, es-en, nlp, datascience, python, pendiente-usar]
uses_functions: [marianmt_es_en_load_model_py_datascience]
uses_types: []
returns: []
returns_optional: false
error_type: "error_go_core"
imports: [re]
params:
  - name: text
    desc: "texto en espanol a traducir — puede ser una frase o un parrafo multi-oracion"
  - name: tokenizer
    desc: "tokenizer MarianMT cargado con marianmt_es_en_load_model"
  - name: model
    desc: "modelo MarianMT cargado con marianmt_es_en_load_model"
  - name: max_length
    desc: "longitud maxima en tokens por oracion para tokenizacion y generacion (defecto 512)"
  - name: num_beams
    desc: "numero de beams para beam search — mas alto = mejor calidad, mas lento (defecto 4)"
output: "texto traducido al ingles. Frases unidas con espacio simple. String vacio si el input es vacio."
tested: true
tests:
  - "texto vacio retorna string vacio"
  - "una frase en espanol produce output no vacio"
test_file_path: "python/functions/datascience/tests/test_translate_es_to_en.py"
file_path: "python/functions/datascience/translate_es_to_en.py"
notes: |
  impure: invoca model.generate que depende del estado del modelo (pesos, device).
  
  El split por oracion usa regex lookahead-behind sobre [.!?] seguidos de espacio.
  Esto preserva nombres propios con puntos (S.A., U.S.A.) mejor que NLTK sent_tokenize
  porque no usa reglas de abreviacion — simplemente divide donde hay espacio despues
  de puntuacion terminal.
  
  Util como preprocesador para rebel_load_model (English-only, Apache 2.0):
    ES text -> translate_es_to_en -> EN text -> REBEL -> triplets
  Alternativa directa: mrebel_load_model (multilingue, CC BY-NC-SA).
---

## Ejemplo

```python
from python.functions.datascience.marianmt_es_en_load_model import marianmt_es_en_load_model
from python.functions.datascience.translate_es_to_en import translate_es_to_en

tokenizer, model = marianmt_es_en_load_model()

text = "Pablo Isla es presidente de Inditex. La empresa tiene sede en Arteixo."
translated = translate_es_to_en(text, tokenizer, model)
# "Pablo Isla is president of Inditex. The company is headquartered in Arteixo."
```

## Por que frase a frase

Pasar el parrafo entero a MarianMT puede degradar la traduccion de nombres propios
porque el modelo redistribuye la atencion sobre el contexto completo. Dividir por oraciones:

1. Contexto mas corto → menos confusion en nombres propios.
2. Truncation menos probable (512 tokens alcanza para oraciones normales).
3. Pipeline mas predecible para debugging (se puede inspeccionar cada frase).

## Patron pipeline ES -> EN -> REBEL

```python
# Paso 1: cargar modelos
mt_tok, mt_model = marianmt_es_en_load_model()
rebel_tok, rebel_model = rebel_load_model()

# Paso 2: traducir
en_text = translate_es_to_en(es_text, mt_tok, mt_model)

# Paso 3: extraer relaciones
inputs = rebel_tok(en_text, return_tensors="pt", max_length=512, truncation=True)
generated = rebel_model.generate(**inputs, num_beams=4, max_length=256)
decoded = rebel_tok.decode(generated[0], skip_special_tokens=False)
triplets = parse_rebel_output(decoded)
```