Reconocimiento óptico de caracteres
El reconocimiento óptico de caracteres (OCR) es software que lee texto de imágenes, como páginas escaneadas, fotos o capturas de pantalla, y lo convierte en caracteres legibles por máquina que se pueden buscar, copiar o pasar a un modelo.
También llamado: OCR
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Un contrato escaneado es una imagen, no texto. Hasta que se ejecuta el OCR, un índice de búsqueda o un modelo de lenguaje no ve nada en él. Por eso el OCR es el primer paso del parsing de documentos para cualquier material escaneado o fotografiado.
Cómo funciona
Los motores clásicos localizan las líneas de texto de la página y luego reconocen los caracteres de cada línea. Tesseract es el ejemplo veterano de código abierto: la versión 4 añadió un motor de red neuronal (LSTM) centrado en líneas completas, y admite más de 100 idiomas. Los modelos de OCR modernos van más allá y leen la imagen de la página entera con un transformer o un modelo de visión y lenguaje, y producen Markdown con encabezados y tablas en lugar de líneas sueltas.
Ejemplo
Un equipo que indexa antiguas facturas en papel ejecuta OCR para obtener el texto, usa análisis de maquetación para mantener las líneas de detalle en orden y solo entonces divide el resultado para la recuperación. Las reseñas de modelos de OCR como Mistral OCR 4 y Surya OCR 2.5 tratan las contrapartidas entre velocidad y precisión.
Límites
La precisión cae con escaneos de baja resolución, escritura a mano, tipografías poco habituales y escrituras mezcladas. Los motores clásicos devuelven texto sin estructura, así que las tablas salen como líneas revueltas. El OCR basado en modelos maneja mejor la estructura, pero puede producir texto fluido que no está en la página, así que comprueba algunas partes con la imagen. El OCR no hace falta en PDF que ya tienen una capa de texto.
Términos relacionados
- Análisis de documentos
- El análisis de documentos (document parsing) convierte archivos como PDF, escaneos, presentaciones y hojas de cálculo en texto estructurado que el software puede usar, conservando títulos, orden de lectura, tablas e imágenes en lugar de un flujo plano de caracteres.
- Modelo de visión y lenguaje
- Un modelo de visión y lenguaje (VLM, vision-language model) es un modelo que recibe imágenes y texto como entrada y produce texto, de modo que puede describir imágenes, responder preguntas sobre ellas, leer documentos y extraer datos de capturas de pantalla.
- Análisis de diseño
- El análisis de diseño (layout analysis) es la parte del análisis de documentos que encuentra las regiones de una página, como títulos, párrafos, tablas, figuras, pies de figura y pies de página, etiqueta cada una y determina el orden en que las leería una persona.
- Extracción de tablas
- La extracción de tablas (table extraction) es la tarea de encontrar tablas en documentos y reconstruir sus filas, columnas, encabezados y celdas como datos estructurados, por ejemplo HTML, Markdown o CSV, en lugar de líneas sueltas de texto.
- Modelo multimodal
- Un modelo multimodal es un modelo de IA que puede recibir, y a veces producir, más de un tipo de datos, como texto, imágenes, audio o vídeo, dentro de un único modelo y no mediante sistemas separados.