---
title: "¿Qué es la normalización Unicode? NFC vs. NFKC para LLM"
description: "La normalización Unicode (NFC, NFD, NFKC, NFKD) hace que cadenas equivalentes usen los mismos puntos de código. Qué forma usar y por qué NFKC importa en árabe."
url: https://broadrouter.com/es/glossary/unicode-normalization/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/unicode-normalization/) (actualizado el 2026-11-15).

# Normalización Unicode (Unicode normalization)

Actualizado 2026-11-15

La normalización Unicode convierte el texto a una forma estándar para que las cadenas que se ven iguales usen los mismos puntos de código. Las cuatro formas son NFD, NFC, NFKD y NFKC; las formas K también convierten caracteres de compatibilidad, como las formas de presentación árabes y las ligaduras, en letras normales.

También llamado: normalización Unicode, normalizar Unicode, formas de normalización, NFC, NFKC, NFD, NFKD, Unicode normalization

Dos cadenas pueden verse idénticas en pantalla y aun así fallar una comparación de igualdad. La normalización Unicode es la solución.

## Cómo funciona

UAX #15 define cuatro formas:

| Forma | Definición |
| --- | --- |
| NFD | Descomposición canónica |
| NFC | Descomposición canónica, luego composición canónica |
| NFKD | Descomposición de compatibilidad |
| NFKC | Descomposición de compatibilidad, luego composición canónica |

Los equivalentes canónicos deberían verse y comportarse igual, en palabras de MDN. Los equivalentes de compatibilidad “should be treated alike in some — but not necessarily all — applications” (traducción: deberían tratarse igual en algunas aplicaciones, pero no necesariamente en todas), así que NFKC y NFKD pueden cambiar la apariencia del texto. `normalize()` de JavaScript usa NFC por defecto. Python ofrece las mismas cuatro formas en `unicodedata.normalize(form, s)`, y `unicodedata.is_normalized` para comprobar una cadena.

El árabe muestra ambos tipos.

**Canónica.** El estándar Unicode dice que أ (U+0623) se descompone en ا (U+0627) más U+0654 HAMZA ABOVE. El texto de algunos teclados o conversores llega en la forma de dos caracteres. NFC lo recompone en U+0623, así que coincide.

**Compatibilidad.** Unicode codifica las formas de presentación árabes, formas contextuales de las letras y ligaduras, en U+FB50 a U+FDFF y U+FE70 a U+FEFE, y dice que existen por compatibilidad y “should not be used in general interchange” (traducción: no deberían usarse en el intercambio general). Aun así aparecen en texto copiado de PDF antiguos y en algunas salidas de OCR. NFKC las unifica:

| Entrada | Punto de código | Tras NFKC |
| --- | --- | --- |
| ﻻ | U+FEFB, LAM WITH ALEF ISOLATED FORM | لا (dos letras) |
| ﷲ | U+FDF2, ALLAH ISOLATED FORM | الله (cuatro letras) |
| ﺍ | U+FE8D, ALEF ISOLATED FORM | ا |

```python
import unicodedata
unicodedata.normalize("NFKC", "ﻻ") == "لا"   # True
unicodedata.normalize("NFC", "أ") == "أ"    # True
```

`normalize_unicode` de CAMeL Tools aplica NFKC por defecto, después de convertir primero dos caracteres especiales, el signo del rial U+FDFC y la ligadura de la basmala U+FDFD, en letras árabes normales.

## Por qué importa

-   **Búsqueda y RAG.** Un documento extraído de un PDF con formas de presentación no coincidirá con una consulta escrita en un teclado normal. Aplique NFKC a ambos antes de las reglas de [normalización de texto árabe](https://broadrouter.com/es/glossary/arabic-text-normalization/), que asumen letras estándar.
-   **Conteo de tokens.** Las formas de presentación son puntos de código distintos de las letras normales, así que un [tokenizador](https://broadrouter.com/es/glossary/tokenizer/) puede dividir la misma palabra visible en un número distinto de tokens. En UTF-8, ﻻ ocupa 3 bytes y لا ocupa 4. Cuente ambas versiones en el [contador de tokens para árabe](https://broadrouter.com/tools/arabic-token-counter/) si su entrada viene de PDF.
-   **Validación.** Normalice antes de comparar la salida del modelo con el texto fuente, por ejemplo al comprobar que una entidad extraída aparece realmente en el documento.

## En BroadNet Inference

La referencia de la API de BroadNet no dice si la entrada se normaliza en el servidor, así que normalice en su propio código antes de enviar, indexar o comparar texto. Para documentos en árabe, el [artículo sobre OCR con LLM de visión](https://broadrouter.com/es/blog/arabic-ocr-vision-llm/) y la [guía de facturas en árabe](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) explican cómo leer páginas como imágenes con modelos como [Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/), lo que evita las capas de texto dañadas de los PDF. Aplique NFKC a cualquier texto que vuelva antes de buscar coincidencias.

## Errores comunes

-   Guardar texto en NFKC para mostrarlo; conserve los originales en NFC.
-   Normalizar los documentos pero no las consultas.
-   Suponer que la normalización elimina diacríticos, tatweel o marcas bidi. No lo hace.

## Preguntas frecuentes

### ¿Debo usar NFC o NFKC?

NFC para guardar y mostrar texto, ya que no cambia su apariencia. NFKC para claves de búsqueda y coincidencias, donde precisamente se busca unificar ligaduras y formas de presentación. MDN señala que las formas de compatibilidad cambian la apariencia visual.

### ¿La normalización Unicode elimina los diacríticos árabes?

No. Los diacríticos son caracteres separados y se mantienen. Eliminarlos es un paso aparte de la normalización de texto árabe.

### ¿La normalización elimina marcas bidi invisibles o caracteres de ancho cero?

No elimina los controles bidi como U+200F o U+2067; pasan por NFC y NFKC sin cambios. Elimínelos por separado si rompen las coincidencias.

## Vea también

-   [Normalización de texto árabe](https://broadrouter.com/es/glossary/arabic-text-normalization/) (término)
-   [Hamza](https://broadrouter.com/es/glossary/hamza/) (término)
-   [Tokenizador (tokenizer)](https://broadrouter.com/es/glossary/tokenizer/) (término)
-   [Reconocimiento óptico de caracteres (OCR)](https://broadrouter.com/es/glossary/ocr/) (término)
-   [Texto de derecha a izquierda (RTL)](https://broadrouter.com/es/glossary/rtl-text/) (término)
-   [Token](https://broadrouter.com/es/glossary/token/) (término)
-   [Lea facturas y recibos en árabe con un modelo de visión](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) (guía)
-   [Normalización de texto árabe para búsqueda y RAG: qué cambiar y qué no](https://broadrouter.com/es/blog/arabic-text-normalization-search/) (artículo)
-   [OCR árabe frente a LLM de visión: leer documentos y facturas en árabe](https://broadrouter.com/es/blog/arabic-ocr-vision-llm/) (artículo)
-   [Tokens por palabra en árabe vs inglés: por qué el árabe cuesta más](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-unicode-normalization&utm_content=page-cta) ·

**Fuentes**

-   [Unicode Standard Annex #15, formas de normalización de Unicode (Unicode 18.0) (consultado el 2026-11-15)](https://www.unicode.org/reports/tr15/)
-   [MDN Web Docs, String.prototype.normalize() (consultado el 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/JavaScript/Reference/Global_Objects/String/normalize)
-   [Documentación de Python, unicodedata (normalize, is\_normalized) (consultado el 2026-11-15)](https://docs.python.org/3/library/unicodedata.html)
-   [The Unicode Standard 18.0, capítulo 9 Middle East-I, árabe (formas de presentación) (consultado el 2026-11-15)](https://www.unicode.org/versions/Unicode18.0.0/core-spec/chapter-9/)
-   [Código fuente de CAMeL Tools, normalize.py (normalize\_unicode) (consultado el 2026-11-15)](https://raw.githubusercontent.com/CAMeL-Lab/camel_tools/master/camel_tools/utils/normalize.py)
