Escrituras no latinas en documentos de identidad: Retos de verificación

A mediados de 2024, el mundo contaba con 304 millones de migrantes internacionales, y ONU Turismo informa que 2025 cerró con un estimado de 1.520 millones de llegadas de turistas internacionales. Para los equipos de KYC, esto significa gestionar un mayor volumen de documentos de identidad impresos en árabe, chino, japonés, hindi, bengalí, cingalés, lao, jemer, griego, georgiano y otras escrituras fuera del alfabeto latino.

En esta guía, analizaremos las escrituras que generan los mayores desafíos para los equipos de verificación, especialmente el árabe, el chino y el japonés, y también revisaremos las capacidades de OCR que ayudan a reducir los errores relacionados con las escrituras.

En la práctica, las escrituras que merecen mayor atención son aquellas que combinan tres características:

• una gran cantidad de hablantes,

• un uso frecuente en los procesos de verificación,

• una alta probabilidad de provocar errores de OCR, análisis o comparación.

En este artículo nos centraremos en el árabe, el chino y el japonés, además de mencionar otras escrituras en la sección de menciones honoríficas.

El árabe se escribe de derecha a izquierda, mantiene una escritura cursiva incluso en texto impreso y la mayoría de las letras adoptan formas diferentes según su posición dentro de la palabra. Estas características hacen que el procesamiento de documentos de identidad en árabe resulte más difícil para muchos motores de OCR.

Los posibles puntos de falla incluyen:

• El primer paso del OCR tiene un peso considerable. Una vez que un campo original en árabe se lee incorrectamente, la versión en alfabeto latino derivada de ese campo también será incorrecta, y ese valor erróneo puede dejar de coincidir con la MRZ, el chip o el perfil del cliente.

• El diseño bidireccional crea más posibilidades de errores en el orden de los campos. Muchos países de habla árabe imprimen los datos personales en árabe junto con inglés o francés en el mismo documento. Un motor de OCR que no esté optimizado para contenido bidireccional puede procesar el texto en un orden incorrecto o mezclar campos cercanos.

• Una calidad de imagen deficiente puede convertir un nombre válido en otro. Si el escaneo del documento de identidad tiene baja resolución, pequeños detalles de la escritura pueden perderse o confundirse, convirtiendo تامر en ثامر (Tamer en Thamer).

En los documentos de viaje conforme a la OACI, el lado correspondiente a la MRZ del árabe está más estandarizado que el propio proceso de OCR. La OACI dispone de un apéndice específico para el árabe con un esquema recomendado de transliteración para la MRZ destinado a reducir la ambigüedad. Siempre que el campo original en árabe se lea correctamente, la parte correspondiente a la MRZ pasa a estar mucho más regida por reglas. Esto no siempre ocurre con las escrituras que veremos a continuación.

La verificación de documentos de identidad en chino presenta un tipo de problema diferente. El texto normalmente se escribe sin espacios, el conjunto de caracteres es muy amplio y las formas simplificadas y tradicionales no siempre tienen una correspondencia directa entre sí. Además, los sistemas OCR tienden a reconocer algunos caracteres mejor que otros, por lo que un carácter poco común en un nombre, presente en una imagen borrosa o con reflejos, puede ser sustituido por otro visualmente parecido pero más frecuente.

A diferencia del árabe, los pasaportes chinos no dependen de un apéndice específico de la OACI para la transliteración. En su lugar, el nombre en alfabeto latino del pasaporte se basa principalmente en las reglas nacionales de pinyin para nombres personales, además de las normas generales de la OACI para el formato de la MRZ. Esto significa que la lógica de comparación debe tener en cuenta las reglas nacionales de escritura y el historial del documento, además de la precisión del OCR.

Los posibles ejemplos de falla incluyen:

• Las formas simplificadas y tradicionales del mismo nombre pueden impedir una coincidencia. Buenos ejemplos son 张伟 / 張偉 (Zhang Wei), 刘洋 / 劉洋 (Liu Yang) y 陈静 / 陳靜 (Chen Jing). Se trata de los mismos nombres escritos en chino simplificado y tradicional, por lo que una comparación exacta de cadenas puede rechazar una coincidencia auténtica.

• La escritura del pasaporte puede diferir por razones válidas basadas en reglas. Por ejemplo, el apellido 吕 se escribe Lü en el pinyin estándar, pero la Administración Nacional de Inmigración de China indica que los nombres con LÜ se imprimen como LYU en los documentos de salida y entrada del país. El mismo organismo también señala que los titulares de documentos antiguos pueden solicitar conservar la escritura anterior para mantener la coherencia. Como resultado, un registro auténtico puede mostrar LYU, mientras que otro conserva una forma anterior, aunque el nombre original en chino se haya leído correctamente.

• Los caracteres Han menos comunes son más difíciles de reconocer cuando la calidad de la imagen es deficiente. La escritura Han contiene decenas de miles de ideogramas, por lo que es más probable que el OCR confunda caracteres poco frecuentes en nombres con otros similares más conocidos cuando la imagen es de baja calidad.

El japonés combina varios sistemas de escritura en un mismo texto, normalmente sin espacios: kanji, hiragana, katakana y, con frecuencia, también letras latinas. El OCR debe gestionar escrituras mixtas y pequeños signos fonéticos en kana, mientras que la lógica de comparación debe tener en cuenta que el nombre escrito en kanji y su lectura oficial no siempre representan el mismo dato.

En los pasaportes japoneses, el nombre en letras romanas depende del furigana registrado y de la correspondiente escritura romana utilizada en la solicitud del pasaporte, por lo que un reconocimiento correcto del kanji mediante OCR no basta por sí solo para determinar la forma en alfabeto latino. El Ministerio de Asuntos Exteriores de Japón indica que las solicitudes de pasaporte deben utilizar el furigana registrado en el registro familiar y la correspondiente forma en letras romanas.

Los pasaportes japoneses siguen más reglas de las que muchas personas imaginan, aunque dichas reglas son nacionales y no forman parte de un apéndice especial de la OACI como sucede con el árabe. El Ministerio de Asuntos Exteriores publica una tabla de romanización Hepburn para los nombres en los pasaportes, que incluye reglas para vocales largas, consonantes dobles y escrituras que no siguen el patrón Hepburn predeterminado. También indica que en algunos casos pueden aceptarse escrituras distintas del sistema Hepburn y que, una vez establecida la escritura del pasaporte, normalmente no es posible modificarla.

Los posibles ejemplos de falla durante el procesamiento de documentos de identidad japoneses incluyen:

• Los pequeños signos del kana pueden convertir un nombre válido en otro. En kana, un dakuten tenue o ausente puede cambiar la pronunciación de toda una sílaba. Un ejemplo relacionado con OCR sería que カンダ se convierta en カンタ si el signo sobre ダ se pierde o se interpreta incorrectamente. Se trata de un ejemplo ilustrativo a nivel de escritura, no de un caso citado de un pasaporte.

• Las vocales largas pueden producir diferencias válidas en la escritura latina. Según las reglas de romanización del Ministerio de Asuntos Exteriores para los pasaportes, las vocales largas suelen acortarse en la escritura predeterminada. Por ejemplo, 伊藤（イトウ） normalmente se escribe ITO, mientras que una forma no predeterminada como ITOH puede aceptarse en casos autorizados. Otro ejemplo es 大野（オオノ）, cuya forma predeterminada es ONO y OHNO puede aceptarse como escritura especial.

• Las escrituras actuales y anteriores del pasaporte pueden influir en comparaciones posteriores. El Ministerio de Asuntos Exteriores señala que, cuando el furigana aún no está registrado en el registro familiar, los solicitantes deben utilizar la lectura que coincida con la escritura en letras romanas de su pasaporte actual o anterior, y que dicha escritura normalmente no puede modificarse mientras esa situación continúe. Esto significa que una verificación posterior puede encontrar una escritura latina determinada parcialmente por el historial del pasaporte y no únicamente por el nombre en kanji.

Otras familias de escrituras también merecen la atención de los responsables de KYC:

• Escrituras del sur de Asia: Devanagari, bengalí y cingalés suelen presentar errores a nivel de grupos silábicos más que de letras individuales, porque los signos vocálicos y otros elementos se unen alrededor de un grupo consonántico. Un ejemplo sencillo en hindi es किरण / करण: si se pierde el signo de la vocal corta i, Kiran se convierte en Karan.

• Coreano: Corea del Sur cuenta con un sistema oficial de romanización; sin embargo, la escritura del documento, la preferida por el cliente y la versión ya almacenada en otro sistema pueden diferir lo suficiente como para provocar problemas de coincidencia. Un ejemplo práctico es 박민수, que puede aparecer como Bak Minsu según el sistema oficial y como Park Min Soo en otra base de datos.

• Lao y jemer: En lao, los espacios separan frases y no palabras, mientras que el jemer también depende en gran medida de la estructura silábica, por lo que los saltos de línea y la segmentación del texto son más propensos a errores que en las escrituras latinas.

• Cirílico, griego y georgiano: En los pasaportes, la MRZ proporciona una capa fija en alfabeto latino legible por máquina. Sin embargo, en los documentos nacionales esa referencia adicional suele estar ausente, por lo que las comparaciones son menos estables.

La misma escritura puede ser más sencilla de procesar en un pasaporte y más difícil en un documento nacional de identidad. Los pasaportes siguen un conjunto común de reglas, lo que hace que el resultado sea más predecible. Los documentos nacionales de identidad, por lo general, no.

La diferencia principal entre el OCR de pasaportes y el OCR de documentos nacionales de identidad para escrituras no latinas puede resumirse de la siguiente manera:

Una gran cantidad de trabajo manual de revisión puede surgir si el sistema OCR trata la extracción, el análisis, la transliteración, la validación y la comparación como un único proceso difuso en lugar de una cadena de verificaciones independientes. Los controles descritos a continuación ayudan a reducir esa carga de revisión en los puntos donde la cadena suele fallar.

Si el sistema no identifica primero el tipo de documento y el mapa de campos, puede leer correctamente los caracteres y aun así asignarlos al campo equivocado. Una licencia de conducir japonesa o un documento nacional bilingüe no pueden tratarse como una simple tarjeta ID-1 con alfabeto latino.

Aquí también comienza a influir la cobertura de plantillas en las tasas de revisión. Por ejemplo, Regula IDV Platform puede trabajar con más de 16.000 plantillas de documentos de 254 países y territorios, y su cobertura de idiomas OCR incluye árabe, bengalí, cingalés y muchas otras escrituras no latinas.

El árabe es el ejemplo más claro, pero este mismo orden resulta útil para cualquier escritura con formas inestables en alfabeto latino.

Primero lea el campo en la escritura original. Luego conviértalo a la forma en alfabeto latino utilizada para la comparación. Solo después compárelo con la VIZ, la MRZ, el chip, el código de barras o la información proporcionada por el cliente.

El software también debe devolver por separado los resultados correspondientes a la zona visual, la MRZ, el código de barras, RFID y el texto combinado. Esto permite al equipo de KYC determinar si el problema comenzó en el OCR de la escritura original o en la regla de comparación aplicada posteriormente.

Las verificaciones de escrituras no latinas pueden fallar cuando el sistema confía en la primera línea legible y detiene allí el proceso. Los pasaportes japoneses con nombres visibles entre paréntesis que solo aparecen en la VIZ son un ejemplo, pero la misma regla se aplica en otros casos: los nombres árabes pueden tener una escritura latina más conocida en la VIZ y otra basada en tablas en la MRZ, mientras que los nombres largos pueden aparecer abreviados en la MRZ y mantenerse completos en la zona visual o en el chip.

Un software sólido de lectura de documentos compara los datos de la zona visual, la MRZ, el código de barras, RFID, la licencia de conducir móvil y las credenciales digitales de viaje.

Las capturas de mala calidad afectan a cualquier escritura, pero los documentos de identidad con escrituras no latinas son menos tolerantes porque pequeños detalles ausentes pueden cambiar un carácter completo, una sílaba completa o incluso el límite entre campos. En muchos casos, la solución más sencilla consiste en rechazar la imagen deficiente desde el principio.

Por ejemplo, la Plataforma Regula IDV verifica durante la captura el brillo, la distorsión de perspectiva, los límites del documento, la presencia del retrato del titular, el color, el enfoque y la resolución para determinar si la imagen tiene la calidad suficiente para ser procesada. También realiza la comprobación liveness de documentos y verifica la geometría del documento, de modo que una tarjeta nacional laminada con reflejos no tenga que pasar directamente a un OCR poco fiable y a una revisión manual.

El procesamiento de documentos con escrituras no latinas evoluciona constantemente. Los documentos de identidad se actualizan de manera continua y el software debe adaptarse a nuevos diseños, reglas de numeración y comportamiento de los chips.

Si la biblioteca de documentos queda desactualizada, el rendimiento del OCR puede deteriorarse, especialmente en los documentos nacionales de identidad, que suelen modificarse con mayor frecuencia que los pasaportes.

Ninguna solución leerá perfectamente todos los documentos con escrituras no latinas en cualquier condición. Los mejores resultados se obtienen combinando un motor OCR sólido con una amplia biblioteca de plantillas de documentos que ayude al sistema a interpretar correctamente los campos.

Regula reúne estos elementos. La Platforma Regula IDV admite más de 130 idiomas OCR y más de 600 tipos de campos de datos, con una biblioteca de plantillas que cubre más de 16,000 plantillas de documentos de 254 países y territorios.

Su análisis léxico admite la transliteración de escrituras no latinas al alfabeto latino y ayuda a realizar verificaciones cruzadas entre los distintos campos de datos. La plataforma también utiliza redes neuronales entrenables para las tareas de lectura de documentos.

Con Regula IDV Platform, Usted podrá:

• Leer y validar miles de documentos de identidad de todo el mundo, incluidas regiones que utilizan escrituras no latinas.

• Leer y validar zonas legibles por máquina (MRZ) y códigos de barras.

• Leer y verificar chips RFID.

• Validar firmas digitales en códigos de barras compatibles con la OACI y en los datos de chips RFID.

• Verificar elementos dinámicos de seguridad, incluidos hologramas y tinta ópticamente variable (OVI).

• Y mucho más.