OCR en línea

El reconocimiento óptico de caracteres es más antiguo que la computadora personal: la Kurzweil Reading Machine leía en voz alta libros impresos a personas ciegas en 1976. El motor de código abierto Tesseract nació en Hewlett-Packard en los años ochenta, se publicó como código abierto en 2005 y, con la versión 4.0 de 2018, incorporó un reconocedor basado en redes neuronales (LSTM). Los motores modernos localizan las zonas de texto, luego las líneas, y reconocen cada línea como una secuencia en lugar de letra por letra; por eso manejan el espaciado estrecho y las ligaduras mejor que el software antiguo.

Lo que sale es texto más posiciones. Elija Texto sin formato (.txt) si quiere pegar las palabras en otro sitio, Word (.docx) para editar con el diseño conservado, PDF buscable cuando el escaneo debe quedar tal cual y Markdown para notas y documentación. Los estudiantes lo usan con exámenes anteriores y apuntes impresos, las oficinas con facturas y cartas, y los desarrolladores con capturas de mensajes de error.

El OCR reconoce caracteres, no significados. No puede saber con certeza si una línea es un título o un pie de foto, no lee el texto tapado por un sello y no tiene idea de si un número mal leído tiene sentido. Los gráficos, diagramas y fotos no se describen; solo se leen las palabras impresas dentro de ellos. La notación matemática sale como caracteres sueltos, no como ecuaciones.

Tampoco es un traductor: el resultado queda en el idioma del original. Para un documento que ya contiene texto real, el OCR es la herramienta equivocada, porque PDF a texto lee el texto existente más rápido y sin errores. Para escaneos que deben seguir siendo PDF, use OCR para PDF, y para obtener Word a partir de imágenes, imagen a Word.