OCR de PDF escaneado, en español y sin subir el archivo

El OCR que se descarga a tu equipo, en vez de subirte el documento

Casi todos los OCR gratuitos de internet funcionan igual: subes el escaneo a su servidor, ellos lo procesan y te devuelven el resultado. El trato implícito es que confías tu documento —la escritura, la historia clínica, el expediente con cédulas de terceros— a un servicio del que no sabes nada, a cambio de que borre la copia cuando termine. Esta herramienta invierte la dirección del viaje: en lugar de mandar tu documento adonde está el motor, el motor viene adonde está tu documento.

En concreto: la primera vez que la usas, tu navegador descarga Tesseract —el motor de reconocimiento de código abierto que Google mantuvo durante años— compilado a WebAssembly, junto con su modelo de español. Son unos 5 MB en total, servidos desde este mismo sitio, y quedan en la caché del navegador. Desde ese momento el reconocimiento corre en tu procesador, dentro de la pestaña. No hay petición de red que lleve tu archivo porque no hay adónde: el sitio ni siquiera tiene un endpoint que reciba documentos, y puedes verificarlo en la pestaña Red de las herramientas de desarrollador.

El modelo es la variante tessdata_fast de español: una versión comprimida del modelo completo, pensada para dispositivos donde el tamaño y la velocidad importan. La contrapartida es honesta: reconoce algo peor que el modelo completo, que pesa varias veces más, y esa diferencia se nota sobre todo en escaneos mediocres. Para el uso real —leer qué dice el documento, copiar un párrafo, buscar un nombre— es más que suficiente; para transcripción certificada, ningún OCR lo es.

Por qué hay que revisar las cifras, siempre

Un OCR no lee: reconoce formas y les asigna la letra más probable. En un párrafo corriente, el contexto lo salva — si reconoce «contrto», cualquiera ve que era «contrato». Con los números no hay contexto que ayude: un 3 con mala tinta se parece a un 8, un 1 a una l, un 5 a una S, y «$12.500.000» puede salir como «$12.600.000» sin que nada en la frase lo delate. Lo mismo pasa con las cédulas, los números de radicado y los apellidos poco comunes.

Por eso el resultado sale con una advertencia que no es un descargo de responsabilidad de cajón, sino una instrucción de trabajo: antes de usar el texto, compara cada cifra, cada fecha y cada nombre contra el documento original. Toma dos minutos y es la diferencia entre citar bien un auto y llevarle a un juzgado un número de radicado que no existe. El párrafo confíaselo al motor; el dato, revísalo tú.

Y una nota sobre lo que el texto reconocido es y no es: sirve para trabajar —buscar dentro del expediente, citar un aparte, armar una cronología—, pero el documento sigue siendo el escaneo original. Si el papel va a un proceso, lo que se aporta es el original o su copia; el .txt es tu herramienta de lectura, no tu prueba.

Cómo mejorar el resultado antes de empezar

La calidad del texto es la calidad del escaneo, así que lo que hagas antes vale más que cualquier ajuste después. Si el documento salió torcido del escáner, enderézalo primero con la herramienta de rotar PDF: el motor tolera unos grados de inclinación, no una página acostada. Si vas a escanear tú, hazlo a 300 puntos por pulgada, en blanco y negro o escala de grises, con el papel plano; la foto de un documento arrugado sobre la cama es el peor punto de partida posible.

Para expedientes largos, el flujo que funciona: divide el PDF en tandas de hasta 50 páginas, pásalas una por una y ve pegando los .txt. Cada tanda sale con sus números de página, así que rearmar el orden es trivial. Y si lo que tienes no es un PDF sino la foto suelta de un contrato o un pagaré, hay una herramienta más directa: imagen a texto, con el mismo motor y la cámara del celular como entrada.