Contador de Palabras y Caracteres

Qué cuenta como palabra

En las lenguas que se escriben con espacios, una palabra es una secuencia de caracteres entre espacios en blanco, así que los compuestos con guion cuentan como una sola y las contracciones no se dividen. La puntuación pegada a una palabra no crea otra.

El japonés, el chino y el coreano son el caso interesante, porque se escriben sin espacios entre palabras. Dividir por espacios contaría una sola palabra para todo un ensayo. Por eso cada carácter CJK cuenta como una palabra, que es la convención que siguen tanto Microsoft Word como Google Docs y que hace el número comparable al que probablemente usen un editor o un cliente. Es una convención y no una verdad lingüística - un compuesto de dos caracteres es una palabra según cualquier definición razonable -, así que para texto CJK el recuento de caracteres suele ser la cifra que realmente quieres, y se muestra al lado.

El texto mixto se trata aplicando ambas reglas: los fragmentos en alfabeto latino se cuentan como palabras y los caracteres CJK uno a uno.

Tiempo de lectura, y cuánto fiarse de él

La estimación usa 238 palabras por minuto para la lectura silenciosa de prosa en inglés, la cifra central del metaanálisis de Brysbaert de 2019, que reunió unos doscientos estudios. El texto CJK se mide en caracteres por minuto, porque nadie lo lee en unidades de palabra.

Toma el resultado como un orden de magnitud, no como una medición. Ese mismo metaanálisis encontró velocidades individuales de entre unas 175 y 300 palabras por minuto en prosa corriente, y el material influye más que el lector: la escritura técnica densa, los ejemplos de código, las tablas y el vocabulario desconocido ralentizan mucho la lectura, mientras que un artículo de noticias familiar la acelera. El tiempo de lectura de una entrada de blog es una cortesía aproximada con el lector, no una promesa.

Las barras de límite

Se muestran cuatro topes porque son los que la gente tiene en cuenta a diario al escribir: 280 caracteres para una publicación en X, 160 para una meta description, 60 para una etiqueta title y 160 para un SMS.

Cada uno tiene un matiz que conviene conocer. X cuenta como dos los caracteres del chino, el japonés, el coreano y algunas otras escrituras, así que una publicación en japonés llega al límite hacia los 140 caracteres, y mide los enlaces con una longitud fija sea cual sea la longitud real de la URL. Las meta descriptions y las etiquetas title no son límites estrictos sino puntos de corte, y los buscadores recortan por ancho en píxeles y no por número de caracteres, así que un título lleno de mayúsculas y letras anchas se corta antes de lo que indica el número. Un SMS solo admite 160 caracteres con el alfabeto GSM de 7 bits; un solo carácter fuera de él, incluido un emoji o ciertas letras acentuadas, cambia todo el mensaje a codificación de 16 bits y el límite baja a 70.

Palabras más usadas

La lista de frecuencias sirve para mostrar en qué se detiene realmente un texto, por eso se filtran las palabras funcionales muy comunes: artículos, preposiciones, pronombres y verbos auxiliares ocuparían si no todos los puestos de la lista en cualquier texto de cualquier género. Las letras sueltas se descartan por la misma razón.

Las palabras se pasan a minúsculas antes de contarlas, así que un término no se reparte entre su forma con mayúscula y sin ella. No se aplica lematización: run y running se cuentan por separado, porque unificarlas exige adivinar, y las conjeturas fallan con la frecuencia suficiente como para confundir. El texto CJK también se cuenta aquí carácter a carácter.

Convenciones de extensión en la edición y la academia

El conteo de palabras pesa de verdad en el trabajo editorial. Un encargo periodístico se especifica en palabras y se entrega con un margen de unos pocos puntos porcentuales. Los trabajos académicos suelen admitir un diez por ciento hacia arriba o hacia abajo, y muchas instituciones excluyen la bibliografía y los anexos pero incluyen las notas al pie, que es justo el detalle que toma a la gente por sorpresa.

Las categorías por extensión de un libro están más o menos fijadas por convención: microrrelato por debajo de mil palabras, cuento hasta unas siete mil y pico, novela corta hasta unas cuarenta mil, y la mayoría de las novelas comerciales entre ochenta mil y cien mil. A las editoriales les importa porque el costo del papel y la impresión crece con la extensión, y porque las expectativas del lector dentro de un género son sorprendentemente estrechas.

En internet las cifras útiles son menores. Una entrada de blog de ochocientas a mil quinientas palabras cubre bien la mayoría de los temas sin relleno, un boletín por correo suele perder lectores pasadas las quinientas, y una landing page cumple su función con muchas menos que cualquiera de las dos. La extensión no es calidad, pero es una restricción que conviene conocer antes de empezar y no después.

La legibilidad y lo que miden las fórmulas

Los índices de legibilidad como Flesch-Kincaid son aritmética sobre la longitud de las oraciones y el número de sílabas. Se correlacionan con la dificultad lo suficiente como para ser útiles y no miden nada acerca de si el texto es claro: una oración de palabras cortas y familiares en el orden equivocado saca buen puntaje y comunica mal.

Donde sí ayudan es como luz de advertencia. Un salto en la longitud media de las oraciones suele señalar el párrafo en el que perdiste el hilo, y un puntaje inusualmente alto en un documento técnico muchas veces significa que la jerga fue reemplazada por vaguedad en lugar de por una explicación.

Los conteos que ves aquí apoyan ese mismo tipo de revisión sin pretender ser una calificación. La cantidad de oraciones y párrafos muestra el ritmo de un texto; la lista de palabras repetidas muestra en qué insiste realmente, que a menudo no es lo que el autor quería. Leer un párrafo en voz alta sigue siendo la mejor prueba que se ha encontrado, y no cuesta nada.

Cuando el conteo de caracteres decide lo que la gente ve

Los resultados de búsqueda cortan el título alrededor de los 600 píxeles, lo que equivale más o menos a 55 o 60 caracteres en una tipografía común, y como el corte es por ancho y no por conteo, un título lleno de mayúsculas o de letras anchas desaparece antes. Las metadescripciones se cortan cerca de los 155 a 160 caracteres, y los buscadores con frecuencia ignoran la descripción por completo y generan la suya a partir de la página.

Las vistas previas en redes sociales tienen sus propios límites, y el patrón es el mismo: los primeros 50 a 60 caracteres de un título hacen el trabajo, y todo lo demás es contexto, no mensaje. Los asuntos de correo los corta el cliente, a menudo cerca de los 40 caracteres en el teléfono.

El enfoque práctico es cargar el inicio. Pon primero las palabras que distinguen, para que la frase siga significando algo cuando se corte, y trata todo lo que pasa del límite como un extra para quien vea el texto completo. Revisar el conteo antes de publicar es un hábito de dos segundos que evita que un título se lea como una frase a medio terminar.

La traducción cambia la extensión, a veces mucho

El texto no conserva su longitud al pasar de un idioma a otro. Del inglés al alemán o al ruso suele expandirse entre un veinte y un treinta y cinco por ciento; del inglés al finés o al húngaro puede expandirse todavía más. Traducir al chino, al japonés o al coreano normalmente reduce bastante el conteo de caracteres, ya que una palabra suele convertirse en uno o dos caracteres.

Eso es una restricción de diseño tanto como de escritura. Un botón rotulado Save en inglés se vuelve Speichern en alemán y Enregistrer en francés, así que un botón de ancho fijo pensado para cuatro caracteres se rompe en ambos casos. El consejo estándar es diseñar para alrededor de un cuarenta por ciento de expansión en cadenas cortas, y probar con el idioma de destino más largo en lugar del más corto.

Para quien escribe un texto de origen destinado a ser traducido, oraciones más cortas, menos modismos y ningún juego de palabras ahorran dinero real, porque la traducción se cobra por palabra y la ambigüedad se cobra en preguntas. También hace que la traducción automática de ese mismo texto sea bastante mejor.

Contar cuando el texto es código, marcado o una mezcla

Un conteo de palabras sobre marcado cuenta el marcado. Pegar HTML da una cifra inflada por etiquetas y atributos; pegar Markdown cuenta las URL de los enlaces junto con su texto. Si el número va a ir a un cliente o a un editor, primero quédate solo con el texto renderizado: copiar desde la página mostrada en lugar del código fuente es la vía más rápida.

El texto con varios idiomas se maneja aquí aplicando ambas reglas a la vez: las secuencias en alfabeto latino se cuentan como palabras, y los caracteres japoneses, chinos y coreanos, uno por uno. Así un documento bilingüe no reporta un total engañoso en ninguna de las dos direcciones.

En el caso concreto del texto CJK, la cifra que importa comercialmente suele ser el conteo de caracteres, ya que las tarifas de traducción y edición en esos idiomas se cotizan por carácter y no por palabra. Ambos números se muestran juntos precisamente por eso.