Conlangs, sistemas de escritura y ortografía

rosetta tiene soporte de primer nivel para lenguas construidas (conlangs) a través de registros de LLM y convertidores deterministas de sistemas de escritura. Esta guía explica cómo funciona el soporte para conlangs, qué fuentes necesita y cómo agregar los suyos propios.

:::tip Por qué son importantes los conlangs Los conlangs no son solo una novedad: utilizan exactamente la misma infraestructura que se usa para las lenguas reales de bajos recursos. El quality gate, el sistema de coaching y el pipeline de conversión de sistemas de escritura funcionan de manera idéntica para el klingon y el cree de las llanuras. Si su pipeline de conlangs funciona, su pipeline de lenguas de bajos recursos también lo hará. :::

---

Lenguas construidas compatibles

Idioma	Código	Convertidor de sistema de escritura	Fuente requerida
Klingon	tlh	✅ Romanización → pIqaD	Fuente PUA (ej., pIqaD qolqoS)
Sindarin (élfico de Tolkien)	x-elvish-s	✅ Latino → Tengwar	Fuente PUA CSUR
Kryptoniano	x-kryptonian	✅ Latino → Kryptoniano	Fuente PUA
Inglés pirata	x-pirate	❌ solo registro	Ninguna
Inglés shakesperiano	x-shakespeare	❌ solo registro	Ninguna
Habla de Yoda	x-yoda	❌ solo registro	Ninguna

Los códigos de conlangs usan el prefijo x- según la convención de uso privado BCP-47, excepto el klingon (tlh), que tiene un código ISO 639-3 asignado por SIL International.

---

Requisitos de Unicode, PUA y fuentes

El Área de Uso Privado (PUA)

El klingon (pIqaD), el sindarin (Tengwar) y el kryptoniano utilizan caracteres del Área de Uso Privado (PUA) de Unicode. PUA es el rango U+E000–U+F8FF; estos puntos de código no tienen una asignación estándar. El ConScript Unicode Registry (CSUR) mantiene mapeos acordados por la comunidad para sistemas de escritura ficticios, pero estos no forman parte del estándar Unicode.

Lo que esto significa en la práctica:

• El texto PUA se muestra como cajas vacías (□□□) si no se carga la fuente correcta
• Diferentes fuentes pueden mapear diferentes glifos a los mismos puntos de código PUA
• rosetta NO incluye fuentes PUA; usted mismo debe cargarlas
• Las fuentes del sistema nunca renderizarán estos caracteres

Rangos PUA por sistema de escritura

Sistema de escritura	Rango PUA	Referencia CSUR
Klingon (pIqaD)	U+F8D0–U+F8FF	CSUR Klingon
Tengwar (Élfico)	U+E000–U+E07F	CSUR Tengwar
Kryptoniano	Varía según la fuente	Sin estándar CSUR

Carga de fuentes web PUA

Para mostrar texto de conlangs basado en PUA en su aplicación web, cargue la fuente adecuada mediante CSS:

/* Load a Klingon PUA font */
@font-face {
  font-family: 'pIqaD';
  src: url('/fonts/piqad.woff2') format('woff2');
  unicode-range: U+F8D0-U+F8FF;
}

/* Apply to Klingon text elements */
[lang="tlh"] {
  font-family: 'pIqaD', sans-serif;
}

:::warning El soporte de Unicode NO está garantizado El Consorcio Unicode ha rechazado explícitamente codificar sistemas de escritura ficticios en el estándar. Las asignaciones PUA son mantenidas por la comunidad y pueden entrar en conflicto entre las implementaciones de fuentes. Especifique siempre la fuente exacta que usa su proyecto y pruebe la renderización en diferentes navegadores. :::

---

Convertidores de sistemas de escritura

Cómo funcionan

La conversión de sistemas de escritura de rosetta es un hook posterior a la traducción:

1. El LLM traduce el texto a un sistema de escritura de trabajo (generalmente latino o SRO)
2. El quality gate valida el resultado
3. El convertidor determinista transforma el texto validado al sistema de escritura de visualización
4. El texto convertido se escribe en el disco

Este enfoque de dos pasos funciona porque los LLM producen mejores resultados cuando trabajan en sistemas de escritura basados en el alfabeto latino. El convertidor determinista garantiza un resultado correcto del sistema de escritura sin depender del conocimiento (a menudo poco confiable) del modelo sobre dicho sistema.

Los cinco convertidores

rosetta incluye cinco convertidores de sistemas de escritura integrados:

Cree de las llanuras: SRO → Silábico (crk)

De la Ortografía Romana Estándar (SRO) a los silabarios aborígenes canadienses.

Input:  "tawâw"
Output: "ᑕᐚᐤ"

Las vocales largas usan macrón/circunflejo: ê, î, ô, â. El convertidor maneja todos los diacríticos SRO y los mapea a los caracteres silábicos correctos. Consulte Soporte para una lengua de bajos recursos para ver el pipeline completo del cree.

Serbio: Latino → Cirílico (sr)

Conversión determinista de latino a cirílico para el serbio.

Input:  "zdravo"
Output: "здраво"

Esto maneja el mapeo completo del alfabeto serbio, incluyendo los dígrafos (lj → љ, nj → њ, dž → џ).

Klingon: Romanización → pIqaD (tlh)

Del sistema de romanización de Marc Okrand a caracteres PUA pIqaD.

Input:  "Qapla'"    (romanized Klingon)
Output: [pIqaD PUA] (requires pIqaD font to render)

Sindarin: Latino → Tengwar (x-elvish-s)

Mapeo Tengwar en modo Sindarin de Tolkien.

Input:  "elen síla"  (Latin Sindarin)
Output: [Tengwar PUA] (requires Tengwar font to render)

Kryptoniano: Latino → Kryptoniano (x-kryptonian)

Mapeo del sistema de escritura kryptoniano del léxico de los fans.

Input:  "Kal-El"
Output: [Kryptonian PUA] (requires Kryptonian font to render)

Activación de un convertidor

Configure el campo scripts en su configuración de idioma. Para los convertidores integrados, esto se detecta automáticamente a partir del código de idioma:

{
  "languages": {
    "sr": { "scripts": "sr" },
    "crk": {}
  }
}

El cree de las llanuras (crk) se detecta automáticamente; no necesita configurar scripts explícitamente.

---

Idiomas con múltiples sistemas de escritura

Algunos idiomas reales utilizan múltiples sistemas de escritura activos:

Idioma	Sistemas de escritura	Enfoque de rosetta
Serbio	Latino + Cirílico	Convertidor de sistema de escritura (sr) — traduce en latino, convierte a cirílico
Chino	Simplificado + Tradicional	Códigos de configuración regional separados (zh vs zh-TW) con registros distintos

Para los idiomas donde ambos sistemas de escritura sirven a la misma audiencia (serbio), use un convertidor de sistema de escritura. Para los idiomas donde los sistemas de escritura sirven a diferentes audiencias (chino simplificado para China continental, tradicional para Taiwán/HK), use códigos de configuración regional separados.

---

Notas de ortografía

Los registros no son solo el tono: conllevan instrucciones ortográficas que guían al LLM hacia las convenciones de escritura correctas.

Formas de trato formal

Los registros integrados de rosetta incluyen el trato formal culturalmente apropiado para cada idioma:

Idioma	Forma formal	Instrucción del registro
Alemán	Sie	Use Sie-form for formal address
Francés	vous	Use vous-form
Ruso	вы	Professional register with вы-form
Turco	siz	Professional register with siz-form
Coreano	합쇼체	Formal Korean (합쇼체)
Japonés	です/ます	Polite professional register (です/ます form)
Polaco	Pan/Pani	Professional register with Pan/Pani form

Escritura con lenguaje inclusivo

Cada tarjeta de idioma tiene un campo gender.inclusiveGuidance con consejos específicos para el idioma. Esto se inyecta en el prompt de traducción del LLM por separado del preajuste del registro, por lo que se aplica de manera consistente independientemente del preajuste de formalidad que elija el usuario:

• Francés: Écriture inclusive con notación de punto medio (ej., "Connecté·e")
• Alemán: Notación Doppelpunkt (ej., "Benutzer:innen")
• Español: Se prefiere la reestructuración neutral en cuanto al género; notación con barra (ej., "usuario/a") como alternativa

Para los idiomas sin una guía específica en su tarjeta (ej., coreano, conlangs), el sistema recurre a una regla genérica: "preferir formas neutrales en cuanto al género o la opción más inclusiva disponible".

Requisitos de sistemas de escritura RTL (de derecha a izquierda)

Los registros de árabe, hebreo, persa y urdu indican los requisitos de escritura de derecha a izquierda: Ensure text reads naturally in RTL layout contexts.

Sobrescritura de cualquier registro

Cada registro es un valor de configuración; sobrescríbalo para que coincida con la voz de su proyecto:

{
  "languages": {
    "fr": {
      "register": "Casual French. Use tu-form. Conversational blog tone. Gender-neutral when possible."
    },
    "de": {
      "register": "Informal German. Use du-form. Tech startup voice."
    }
  }
}

Consulte Configuración para ver la referencia de configuración completa.

---

Cómo agregar un nuevo conlang

Paso a paso

1. Elija un código de uso privado BCP-47: Use el prefijo x- (ej., x-dothraki, x-valyrian).

2. Agréguelo a su configuración:

{
  "languages": {
    "x-dothraki": {
      "register": "Dothraki language. Use David J. Peterson's vocabulary from the Living Language Dothraki textbook. Harsh, direct tone. No articles, no verb 'to be'."
    }
  }
}

3. (Opcional) Agregue un convertidor de sistema de escritura: Si su conlang usa un sistema de escritura de visualización no latino, agregue un convertidor en lib/scripts.js y regístrelo en SCRIPT_CONVERTERS.

4. Pruebe: Ejecute i18n-rosetta sync --dry para obtener una vista previa de las traducciones sin escribir archivos.

5. Verifique el quality gate: Es posible que el quality gate necesite ajustes para su conlang, particularmente la comprobación requireNonLatin si su conlang usa caracteres PUA.

:::note La calidad del conlang depende del conocimiento del LLM El LLM solo puede traducir a un conlang que haya visto en los datos de entrenamiento. Los conlangs bien documentados (klingon, sindarin, dothraki) funcionan bien. Los conlangs poco conocidos o recién inventados pueden producir resultados inconsistentes. Use datos de coaching para mejorar la calidad. :::

---

Consulte también

• Idiomas compatibles — tabla completa de idiomas con la disponibilidad de métodos
• Convertidores de sistemas de escritura — detalles técnicos del pipeline de conversión
• Métodos de traducción — cómo funciona cada método de traducción
• Configuración — referencia de configuración que incluye la configuración de idiomas y registros
• Soporte para una lengua de bajos recursos — la misma infraestructura aplicada a lenguas desatendidas reales