En este artículo, analizamos el problema de generar enunciados en inglés fluidos a partir de datos tabulares, centrándonos en el desarrollo de un modelo neuronal de secuencia a secuencia que muestra dos características principales: la capacidad de leer y generar carácter por carácter, y la capacidad de alternar entre generar y copiar caracteres de la entrada: una característica esencial cuando las entradas contienen palabras raras como nombres propios, números de teléfono o palabras extranjeras. Trabajar con caracteres en lugar de palabras es un desafío que puede traer problemas como aumentar la dificultad de la fase de entrenamiento y una mayor probabilidad de error durante la inferencia. Sin embargo, nuestro trabajo muestra que estos problemas pueden resolverse y los esfuerzos se ven recompensados con la creación de un sistema completamente de extremo a extremo, cuyos insumos y salidas no están restringidos a ser parte de un vocabulario predefinido, como en los modelos basados en palabras. Además, nuestra técnica de copia está integrada con un innovador mecanismo de desplazamiento, que mejora la capacidad de producir salidas directamente de las entradas. Evaluamos el rendimiento en el conjunto de datos E2E, el referente utilizado para el desafío E2E NLG, y en una versión modificada de este, creada para resaltar las capacidades de copia de palabras raras de nuestro modelo. Los resultados demuestran mejoras claras sobre la línea base y un rendimiento prometedor en comparación con técnicas recientes en la literatura.