Reconocimiento Óptico de Caracteres (OCR)

El Reconocimiento Óptico de Caracteres (OCR, del inglés Optical Character Recognition) es la tecnología de visión por computador que convierte el texto contenido en imágenes —documentos escaneados, fotografías, PDF de imagen o capturas de pantalla— en texto codificado y editable por una máquina. Su tarea, en esencia, es transformar píxeles en cadenas de caracteres: imagen → texto.

Conviene delimitar qué no es OCR. No interpreta el significado de lo que transcribe: esa comprensión corresponde a etapas posteriores de procesamiento del lenguaje natural o de Document AI. Tampoco es un modelo de lenguaje; de hecho, el OCR produce el texto digital sobre el que esos modelos trabajan después. Por eso se entiende como un componente dentro del campo más amplio de la comprensión de documentos.

Cómo funciona: del pipeline clásico al enfoque extremo a extremo

El OCR clásico encadena varias etapas: detección de las regiones con texto, segmentación en líneas, palabras y caracteres, reconocimiento y, por último, corrección lingüística. Su punto débil es la propagación de errores entre fases. El motor de código abierto Tesseract documenta un pipeline clásico con análisis de página, detección de líneas y clasificación adaptativa de caracteres.

El OCR moderno es en gran medida extremo a extremo. La arquitectura fundacional combina redes convolucionales, redes recurrentes y la función de transcripción CTC —propuesta en el modelo CRNN por Shi, Bai y Yao en 2015— para leer una secuencia sin segmentar antes cada carácter. Sobre esa base, los Transformers han desplazado a las redes convolucionales y recurrentes: TrOCR (Microsoft, 2021) es un codificador-decodificador íntegramente Transformer, y Donut (Naver, 2022) propone un enfoque «sin OCR» que interpreta el documento directamente desde la imagen, evitando la propagación de errores de una fase de reconocimiento explícita. Los modelos multimodales actuales integran, además, reconocimiento y respuesta a preguntas sobre el documento en un mismo sistema.

Por qué BERT no es un modelo de OCR

Es un error frecuente vincular BERT con el OCR. BERT (Devlin et al., 2018) es un modelo de lenguaje: un Transformer que procesa texto ya digitalizado para tareas de comprensión lingüística, y su entrada nunca son píxeles. El nexo correcto con los documentos pasa por modelos derivados como LayoutLM, que reutilizan la arquitectura de BERT pero operan sobre la salida de un OCR —incorporando además la posición de cada palabra en la página— para comprender formularios o extraer datos. No sustituyen al OCR: dependen de él.

Cómo se evalúa y qué sigue siendo difícil

Las métricas habituales son la tasa de error por carácter (CER) y la tasa de error por palabra (WER), ambas basadas en la distancia de edición entre la transcripción y el texto de referencia. Para los modelos multimodales recientes se emplean además bancos de pruebas específicos como OCRBench. Estas métricas tienen un límite importante: penalizan por igual cualquier error y no capturan bien los fallos de orden de lectura o de estructura, de modo que un sistema puede acertar cada carácter y aun así desordenar columnas o tablas. Los frentes que siguen abiertos son el texto manuscrito, los idiomas y escrituras con pocos recursos y los documentos de maquetación compleja.