En resumen
El OCR (reconocimiento óptico de caracteres) convierte píxeles con forma de letras en texto de verdad. Con una foto nítida o una captura de pantalla de texto impreso, roza la perfección; con escritura a mano, fuentes decorativas o una foto borrosa de un menú, casi no sirve. El motor de este sitio es Tesseract, que se ejecuta en el navegador con doce paquetes de idioma; la imagen se queda en tu dispositivo. La mayoría de los malos resultados vienen de la imagen y no del motor, y se pueden corregir antes de pulsar el botón.
Cómo funciona el motor
Tesseract nació en Hewlett-Packard en 1985, se liberó como código abierto en 2005 y lo mantiene Google desde 2006. La versión 4 (2018) sustituyó el clasificador carácter a carácter por una red neuronal LSTM que lee una línea entera de una vez, y por eso se defiende con letras que se tocan y con fuentes proporcionales con las que el motor antiguo no podía. El proceso es: localizar las zonas de texto de la página, dividirlas en líneas, pasar cada línea por la red y dejar que un modelo de idioma (un diccionario y estadísticas de secuencias de letras) decida entre formas parecidas (l, 1, I; 0, O). Ese último paso es la razón por la que importa elegir el idioma correcto: un modelo de inglés que lee alemán “corregirá” straße a strasse o algo peor.
En el navegador, el motor está compilado a WebAssembly (unos 4 MB) y cada paquete de idioma ocupa 0,7–3 MB; se descarga en el primer uso y queda en caché. Los paquetes de chino y japonés son los grandes, porque hay miles de caracteres que conocer.
Qué decide el resultado
Resolución. Tesseract quiere letras de unos 30 píxeles de alto; por debajo de 20, la red empieza a adivinar. Una foto de una página hecha con el teléfono sirve; una miniatura de 400 píxeles de ancho, no. Si tienes que pasar el OCR a una imagen pequeña, amplíala primero al doble: no añade información, pero le da margen al detector de líneas para trabajar.
Contraste y uniformidad. Negro sobre blanco, con luz uniforme. Una foto de una página bajo un flexo tiene el centro brillante y las esquinas grises; el motor binariza la imagen con un único umbral y un lado de la página desaparece. Haz la foto con luz plana o escanéala.
Rectitud. El motor corrige unos pocos grados de inclinación. Una página fotografiada en ángulo es un trapecio, y las líneas convergen; gírala y recórtala hasta el bloque de texto antes del OCR. Recortar también elimina el borde de la mesa, tu pulgar y la otra página, y cada uno de ellos produce una línea de basura.
Maquetación. El texto a una sola columna es fácil. Dos columnas suelen detectarse. Las tablas, los formularios, el texto que rodea imágenes y los pies en el margen salen en el orden que elige el motor, y las columnas de números pierden la alineación. Con una tabla, pasa el OCR solo a las celdas que necesitas en lugar de a toda la página.
Fuente. Fuentes estándar de libro y de pantalla: excelente. Fuentes estrechas, ornamentadas, caligráficas o de contorno: pobre. El texto en una fuente que los datos de entrenamiento nunca vieron se lee forma a forma, y las correcciones del modelo de idioma lo empeoran.
Escritura a mano. En la práctica, no compatible. Tesseract está entrenado con texto impreso; las mayúsculas de imprenta en un formulario podrían salir, la letra cursiva no. El reconocimiento de escritura a mano es otra familia de modelos y no es lo que hace esta herramienta.
Idiomas y mezclas
Elige el idioma en que está el texto, y solo ese cuando sea posible. Seleccionar tres idiomas triplica el conjunto de candidatos para cada carácter y ralentiza el reconocimiento a la vez que reduce la precisión. El texto mixto, como un documento en chino con nombres de productos en inglés, es el caso en que conviene usar dos idiomas juntos (chino + inglés): el motor cambia de idioma en cada palabra. Hay doce idiomas disponibles: inglés, chino simplificado y tradicional, japonés, coreano, español, francés, alemán, portugués, ruso, italiano y vietnamita.
PDF escaneados
Un PDF que salió de un escáner es una imagen de cada página; el texto no está ahí para copiarlo. Convierte las páginas en imágenes a 200–300 ppp y pasa el OCR a esas imágenes. Convertir a 72 ppp (resolución de pantalla) da letras de 10 píxeles y un galimatías.
Qué significa “99 %” en la práctica
Una buena pasada de OCR sobre una página limpia lee mal aproximadamente un carácter de cada cien. En una página de 500 palabras son treinta errores, sobre todo en números, nombres y signos de puntuación, justo las partes que no puedes revisar leyendo con fluidez. Comprueba cada cifra con el original antes de que el texto vaya a algún sitio donde importe; el OCR es un borrador, no una transcripción.
