DTP de Documentos Regulados y Reconstrucción de PDF

Los archivos PDF no almacenan texto como texto. Almacenan texto como una secuencia de operaciones de glifo: "dibujar carácter 67 de la fuente Helvetica en la coordenada (123, 456)". La mayoría de las agencias utilizan un convertidor PDF-a-Word que pierde la información de coordenadas y las referencias de fuente; el resultado es editable pero visualmente no guarda relación con el origen. El siguiente nivel de agencia usa la función «Exportar a InDesign» de Adobe Acrobat, que conserva más maquetación pero falla en tres categorías de contenido:

• Glifos contorneados. Muchos formularios regulados (impots.gouv.fr, Steuererklärung alemán, AEMPS) contornean sus etiquetas de texto en una trayectoria vectorial en la publicación. El extractor de Acrobat lee el texto contorneado como un gráfico, no como una cadena. El traductor nunca ve la etiqueta del campo y el regulador nunca ve su plantilla devuelta.
• Campos de formulario. Los campos AcroForm y XFA tienen sus propias referencias de texto y fuente. Extraer el texto circundante pero no las etiquetas de campo produce un documento traducido a medias.
• Híbridos escaneados. Un PDF que es parte vector, parte ráster (típico en documentos suministrados por reguladores con un bloque de firma escaneada) necesita OCR en la parte ráster y extracción con conservación de coordenadas en la parte vectorial. Una sola herramienta no puede gestionar ambas.

Construimos nuestro motor PDF específicamente para esta categoría. Enumera cada operación de dibujo de texto en el PDF, incluidos los glifos contorneados (detectando fuentes de etiqueta comunes y mapeando inversamente la trayectoria a caracteres), lee etiquetas y descripciones de campos de formulario, ejecuta OCR sobre regiones ráster y produce un manifiesto de traducción por segmento. El traductor trabaja en el manifiesto; el motor escribe la traducción en las coordenadas de origen. Los campos de formulario se conservan; el regulador ve el mismo formulario, en su idioma de destino, con las etiquetas de campo correctas.

Una declaración fiscal francesa que parece una declaración fiscal francesa. Un prospecto CE alemán que coincide con la plantilla del regulador alemán. Un prospecto de información al paciente que la EMA acepta en la primera revisión. Fuimos construidos para esto; la mayoría de las agencias no.

InDesign incluye un compositor de párrafo predeterminado que no puede manejar correctamente el árabe: rompe ligaduras, comete errores en la lógica de salto de línea y no aplica formas contextuales. La solución es habilitar Adobe World-Ready Paragraph Composer (Texto → Párrafo → World-Ready Paragraph Composer en la edición ME de InDesign, o mediante un script en la edición estándar). La mayoría de las agencias que ejecutan InDesign estándar no lo habilitan y entregan árabe visualmente roto que un lector nativo rechazará a primera vista.

Los glifos árabes cambian de forma según estén aislados, al inicio, en medio o al final de una palabra. Un párrafo árabe correctamente compuesto aplica la forma correcta automáticamente mediante las características OpenType init, medi, fina e isol. Las fuentes varían en lo bien que implementan estas características: Tajawal, Cairo, Noto Sans Arabic y Adobe Arabic son fiables. Muchas fuentes «árabes» en repositorios gratuitos no lo son y producen texto que un lector nativo reconoce como de fabricación extranjera a primera vista.

Un párrafo árabe que contiene un nombre de marca en inglés o un número fluye en ambas direcciones. El algoritmo bidireccional Unicode maneja la mayoría de los casos, pero la puntuación en el límite (un punto después de una marca inglesa dentro de una oración árabe) a menudo se coloca en el lado incorrecto de la marca. Utilizamos marcas de formato direccional Unicode (RLM, LRM) para anclar la puntuación correctamente y revisamos en la maquetación final, no en el editor de InDesign, donde el comportamiento del algoritmo difiere del PDF exportado.

El contenido árabe puede usar numerales árabe-índicos (٠١٢٣٤٥٦٧٨٩) o numerales occidentales (0123456789); la elección depende de la convención regional y el estilo de la empresa del cliente. Confirmamos antes de comenzar y configuramos el estilo de carácter de InDesign para imponer consistencia en todo el documento. Un documento que mezcla ambos es un error regional.

El persa y el urdu comparten la escritura árabe pero tienen diferentes formas de glifo, caracteres adicionales (la پ persa, la ٹ urdu) y diferentes convenciones tipográficas. Nastaliq es la tipografía urdu dominante; Naskh es dominante para el persa. Tratar los tres como «árabe» es el error más común; contamos con maquetadores por idioma.

El chino no tiene espacios entre palabras; los saltos de línea pueden ocurrir en cualquier límite de carácter. El compositor CJK de InDesign maneja esto correctamente cuando está habilitado. Las reglas kinsoku de puntuación —la puntuación china de ancho completo no puede aparecer al inicio de una línea— necesitan configuración explícita. La composición vertical (para contextos tradicionales, libros y algunos diseños de marketing) requiere un compositor y configuración de marco separados. El chino simplificado usa un conjunto de convenciones de puntuación y ortografía de la RPC; el chino tradicional usa otro y revisamos contra el estilo de Taiwán o Hong Kong según el destino.

El japonés mezcla tres escrituras (kanji, hiragana, katakana) con caracteres latinos y números. El texto ruby (furigana: lecturas fonéticas pequeñas sobre kanji) es obligatorio para algunas categorías de contenido (materiales escolares, accesibilidad). La composición vertical es común en contextos tradicionales. Las reglas de salto de línea son más permisivas que el chino pero todavía tienen restricciones kinsoku.

El hangul coreano usa espacios entre palabras (a diferencia del chino y japonés). La justificación y el tracking se comportan de manera diferente a las escrituras latinas; los lectores coreanos esperan un interlineado más ajustado que el predeterminado latino. Los hanja (caracteres chinos en contextos coreanos) aparecen en documentos académicos y legales y requieren gestión de fuentes de respaldo.

El tailandés es la escritura que rompe a los maquetadores ingenuos con más frecuencia. No hay espacios entre palabras: los saltos de línea deben inferirse de un diccionario. El compositor tailandés de InDesign utiliza un diccionario integrado; para términos técnicos que no están en el diccionario, se requiere inserción manual de espacio de ancho cero. Las marcas tonales se apilan sobre las consonantes y no pueden pasar a la siguiente línea. La mayoría de los maquetadores del Reino Unido no tienen un operador tailandés en plantilla; nosotros sí.

Las escrituras índicas usan modelado complejo: las consonantes conjuntas se combinan en ligaduras que dependen del grupo consonántico y las tablas OpenType de la fuente activa. Un maquetador ingenuo producirá devanagari visualmente roto donde las conjuntas no se forman. Noto Sans Devanagari, Devanagari Sangam MN de Adobe y un pequeño conjunto de otras manejan el modelado correctamente. Probamos en la fuente final, no en una de respaldo. Para documentos técnicos, además probamos en las fuentes regionales que los reguladores gubernamentales esperan (p. ej., Mangal para algunos formularios del gobierno indio).

• Tamaño automático de marcos: cada marco de texto en el archivo InDesign de origen se configura para ajustarse automáticamente a su contenido. El marco crece; la maquetación se adapta. Esta es la mayor fuente de errores relacionados con la expansión y la más sencilla de corregir.
• Presupuesto de expansión de hoja de estilo: publicamos una hoja de estilo para cada idioma de destino que muestra la expansión máxima permitida antes del reflujo manual. Los traductores ven el presupuesto mientras traducen; si una cadena se excede, pueden solicitar una reformulación o marcar la restricción.
• Reglas de reflujo: acordamos reglas de reflujo por documento en el alcance. Comunes: los saltos de página pueden desplazarse; los encabezados de sección no pueden dividirse; las tablas pueden desbordarse a la página siguiente; los pies de figura permanecen con su figura. Las reglas están documentadas y se aplican de manera consistente.
• Informe de cambio de recuento de páginas: en la entrega publicamos una comparación de recuento de páginas: origen 40 páginas, alemán 48 páginas, árabe 47 páginas, chino 36 páginas. El cliente sabe lo que está recibiendo antes de abrir el archivo.

Los prospectos de información al paciente farmacéuticos son el caso de alto riesgo. La EMA y la MHRA exigen encabezados de sección específicos, en un orden específico, sin truncamiento. La expansión alemana empuja rutinariamente un PIL de 4 páginas a 6 páginas; el regulador acepta el cambio de recuento de páginas siempre que se preserve la integridad de las secciones. Trabajamos con la plantilla QRD de la EMA para cada PIL y revisamos contra la versión actual de la plantilla (la plantilla cambia; monitorizamos).

• PDF/X-1a:2001: el estándar heredado, solo CMYK, todas las fuentes incrustadas. Todavía requerido por algunas imprentas y la mayoría de los sistemas de periódicos.
• PDF/X-4: estándar moderno, admite transparencia de forma nativa, RGB y CMYK, perfiles de color ICC. Nuestro predeterminado para trabajos nuevos; admitido por la mayoría de las prensas modernas.
• PDF/A: para archivo a largo plazo (a menudo requerido para presentaciones de reguladores). PDF/A-1b es la opción conservadora; PDF/A-2 y -3 añaden características.
• Marcas y sangrado: marcas de imprenta, marcas de registro, barras de color y sangrado de 3 mm por defecto; configurable por contrato de impresión.

La conversión CMYK necesita conocer la prensa de destino: Fogra 39 / 51 para papeles estucados europeos, GRACoL 2006 para norteamericanos, JC2011 para japoneses. Incrustamos el perfil ICC correcto y revisamos contra prueba suave si la imprenta proporciona un perfil. Los colores directos Pantone se conservan como directos hasta la confección de planchas.

Cada fuente utilizada debe estar incrustada en el PDF final (PDF/X lo requiere). Las licencias de fundiciones varían en lo que permiten: las licencias de Monotype, Linotype y Adobe Originals son explícitas; algunas fuentes comerciales prohíben la incrustación y necesitan reemplazo antes de la exportación. Auditamos la pila de fuentes y sustituimos donde la licencia lo requiere.

Entregamos el paquete InDesign (o el PDF listo para imprenta, según el alcance), una hoja de especificaciones de impresión que documenta el sangrado, marcas, perfil de color y recomendación de papel, y un PDF de prueba suave para aprobación visual. Su imprenta debería poder planchar el archivo sin ida y vuelta.

Los prospectos de información al paciente y los resúmenes de las características del producto siguen la plantilla QRD de la EMA; los manuales del investigador siguen la guía ICH E6; los formularios de consentimiento informado siguen la plantilla del IRB o REC. Trabajamos con la versión actual de la plantilla (las plantillas se revisan; monitorizamos) y entregamos en el formato de presentación del regulador (XML para SmPC, PDF para PIL, eCTD para presentaciones completas). Las pistas de auditoría por segmento son obligatorias para el trabajo farmacéutico regulado; las publicamos.

Las solicitudes de patentes tienen requisitos de formato que difieren por oficina. La EPO acepta XML y PDF; la USPTO requiere tamaños de fuente y márgenes específicos; las presentaciones PCT tienen resúmenes específicos por idioma. Trabajamos según la especificación actual de la oficina y entregamos en consecuencia. Los dibujos se traducen por separado: llamadas de figura en el idioma de destino con el mismo esquema de numeración.

Las presentaciones judiciales del Reino Unido necesitan un formato de paquete específico (PDF único, paginado, indexado, con hipervínculos). Reconstruimos paquetes en el idioma de destino con la misma estructura de paginación e índice. Para arbitraje internacional trabajamos según la especificación de la orden procesal, que varía por caso.

Los informes anuales siguen las normas de cotización de cada mercado (LSE, AIM, NASDAQ, Euronext) para secciones requeridas; los folletos siguen el reglamento de folletos; los KID siguen PRIIPs. Coordinamos con su equipo de traducción financiera (a menudo nosotros: véase traducción financiera) para garantizar que la prosa, los números y la maquetación estén sincronizados.

La categoría más difícil para la reconstrucción PDF in situ porque los formularios varían entre oficinas locales. Hemos manejado impots.gouv.fr francés, Steuererklärung alemán (múltiples Bundesländer), formularios de farmacovigilancia AEMPS españoles, Agenzia Entrate italiana y varios formularios HMRC del Reino Unido. La convención de almacenamiento PDF de cada oficina está documentada en nuestra biblioteca interna; sabemos qué esperar antes de empezar.