fn_registry/python/functions/datascience/translate_es_to_en.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path, notes

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path	notes
translate_es_to_en	function	py	datascience	1.0.0	impure	def translate_es_to_en(text: str, tokenizer: Any, model: Any, max_length: int = 512, num_beams: int = 4) -> str	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.	marianmt translation es-en nlp datascience python pendiente-usar	marianmt_es_en_load_model_py_datascience			false	error_go_core	re	name desc text texto en espanol a traducir — puede ser una frase o un parrafo multi-oracion name desc tokenizer tokenizer MarianMT cargado con marianmt_es_en_load_model name desc model modelo MarianMT cargado con marianmt_es_en_load_model name desc max_length longitud maxima en tokens por oracion para tokenizacion y generacion (defecto 512) name desc num_beams numero de beams para beam search — mas alto = mejor calidad, mas lento (defecto 4)	texto traducido al ingles. Frases unidas con espacio simple. String vacio si el input es vacio.	true	texto vacio retorna string vacio una frase en espanol produce output no vacio	python/functions/datascience/tests/test_translate_es_to_en.py	python/functions/datascience/translate_es_to_en.py	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

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

# 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)