Reconocimiento de Escritura a Mano

El reconocimiento de escritura a mano es la tarea de convertir texto manuscrito en texto digital que una máquina puede buscar, editar y procesar. Es uno de los problemas fundacionales de la visión por computador y, pese a décadas de avances, sigue abierto: la caligrafía humana varía tanto entre personas, épocas e idiomas que ningún sistema la lee con fiabilidad total.

Online y offline: dos problemas distintos

La distinción clásica la fijó el survey de Plamondon y Srihari (IEEE TPAMI, 2000). En el reconocimiento online el sistema recibe la trayectoria del trazo mientras se escribe —posición y orden de la punta del stylus sobre una tableta o pantalla—, información temporal que facilita la tarea. En el reconocimiento offline solo existe la imagen del texto ya escrito, como en un documento escaneado; es el caso más difícil y el que concentra la investigación actual bajo la etiqueta HTR (handwritten text recognition).

De las redes clásicas a los transformers

Los dígitos manuscritos fueron el primer gran banco de pruebas del aprendizaje profundo: la red convolucional LeNet-5 de Yann LeCun y sus colegas (Proceedings of the IEEE, 1998), evaluada sobre MNIST, llegó a leer millones de cheques al día en sistemas bancarios reales. Para texto completo, el salto fue la clasificación temporal conexionista o CTC (Graves et al., ICML 2006), que permitió entrenar redes recurrentes LSTM sobre líneas enteras sin segmentarlas carácter a carácter y sostuvo el campo durante más de una década.

La generación actual es transformer de extremo a extremo. TrOCR, de Microsoft (2021), une un transformer visual y otro de texto preentrenados y reporta un 2,89% de error de carácter en el benchmark IAM, según su repositorio oficial. Donut (ECCV 2022) elimina incluso el motor de OCR: mapea la imagen del documento directamente a la salida, sin detección de texto separada. Y los modelos multimodales como GPT-4V o Gemini transcriben manuscritos a partir de una instrucción: evaluaciones académicas de 2023 y 2024 les reconocen buen desempeño en escritura latina legible, con dificultades en escenarios multilingües y documentos degradados.

Cómo se mide

Las métricas estándar son el CER (character error rate), la proporción de caracteres que hay que insertar, borrar o sustituir para reconstruir la transcripción correcta, y el WER (word error rate), su equivalente a nivel de palabra. Se calculan sobre benchmarks públicos: el más citado es la base IAM (Marti y Bunke, 2002), con 1.539 páginas escritas por 657 personas y más de 13.000 líneas en inglés. Los concursos de la conferencia ICDAR fijan el estado del arte: en la edición de 2024 sobre redacciones en portugués brasileño los mejores sistemas bajaron del 3% de CER por línea, y la competición de 2026 evalúa manuscritos medievales en ocho lenguas romances, con una prueba de generalización a una lengua no anunciada.

Usos y límites

La aplicación de mayor impacto es la digitalización de archivos: la plataforma europea Transkribus, de la cooperativa READ-COOP, declara más de 50 millones de páginas históricas procesadas para bibliotecas y archivos. Se suman la lectura automática de formularios y la conversión de notas tomadas con stylus. Los límites siguen ahí: caligrafías muy personales o degradadas, idiomas con poco corpus de entrenamiento y manuscritos históricos llenos de abreviaturas disparan el error, y en trabajo de archivo la revisión humana sigue siendo imprescindible.