BroadRouter
Comenzar

Reconocimiento óptico de caracteres (OCR)

Actualizado

El reconocimiento óptico de caracteres (OCR) es la tecnología que detecta el texto impreso o manuscrito de una imagen, un escaneo o un PDF y lo convierte en caracteres legibles por máquina. El OCR clásico devuelve el texto y su posición en la página; los modelos de visión y lenguaje pueden leer el texto y responder preguntas sobre él directamente.

También llamado: reconocimiento óptico de caracteres, reconocimiento de texto, imagen a texto, OCR de documentos, extraer texto de una imagen, optical character recognition, OCR, text recognition, image to text, document OCR, scanned text extraction

El OCR es el paso que convierte la foto de un recibo en texto que un programa puede buscar, guardar o verificar.

Cómo funciona

Un motor de OCR clásico localiza las regiones de texto de la página, las divide en líneas y reconoce los caracteres de cada línea. Tesseract, el motor de código abierto más conocido, añadió en la versión 4 una red neuronal LSTM que reconoce líneas completas, y puede “recognize more than 100 languages” (traducción: reconocer más de 100 idiomas) de serie. La salida puede ser texto plano, hOCR (HTML), PDF, PDF con texto invisible, TSV, ALTO o PAGE, así que también obtiene la posición de las palabras.

El OCR clásico se queda en los caracteres. Para saber qué número es el total o qué línea es el nombre del proveedor, hay que añadir reglas o un segundo modelo.

Los modelos de visión y lenguaje toman otro camino. La página de la tarea image-text-to-text de Hugging Face describe la respuesta a preguntas sobre documentos como “an OCR-free approach” (traducción: un enfoque sin OCR): la imagen del documento va directamente a un modelo de visión y lenguaje, que la lee y responde. Puede pedir campos directamente y recibirlos como salida estructurada.

OCR clásico (p. ej., Tesseract) LLM de visión
Salida caracteres más posiciones respuestas, resúmenes o campos JSON
Comprensión del diseño limitada, necesita reglas lee tablas y etiquetas en contexto
Dónde se ejecuta en local, sin coste por llamada normalmente una API, facturada por token
Riesgo caracteres mal leídos caracteres mal leídos y valores inventados

Por qué importa

  • Coste. Una imagen enviada a la API de un LLM se factura como tokens de entrada. El OCR local no tiene coste por llamada, pero necesita servidores y mantenimiento.
  • Controles de precisión. Un modelo de visión puede devolver un total verosímil que no está en la página. Pídale que cite el texto original y verifique las sumas en código.
  • Árabe. El texto de derecha a izquierda, las letras enlazadas y la mezcla de dígitos árabes y latinos añaden dificultad. Pruebe cualquier motor o modelo con sus propios escaneos.

En BroadNet Inference

BroadNet no documenta un endpoint de OCR independiente. Su documentación muestra cómo leer una factura enviando la imagen como URL data: a un modelo de chat cuya fila en la tabla de modelos indica imágenes o visión, como DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B o Qwen3.8 27B. Con una clave de pago por uso, la imagen cuenta como tokens de entrada al precio de entrada del modelo ($0.10 por 1M en Gemma), y las imágenes más grandes usan más tokens. Siga el proceso en la guía de facturas en árabe y consulte OCR en árabe con LLMs de visión para saber cuándo el OCR clásico sigue siendo la mejor herramienta.

Preguntas frecuentes

¿Qué diferencia hay entre el OCR y un LLM de visión?

El OCR devuelve los caracteres que encuentra y dónde están. Un LLM de visión lee la imagen y puede responder una pregunta, como "¿cuál es el total de la factura?", o devolver campos con nombre en JSON.

¿BroadNet tiene un endpoint de OCR?

No hay un endpoint de OCR documentado por separado. Usted envía la imagen a un modelo de chat con visión en /v1/chat/completions y pide el texto o los campos que necesita.

¿Todavía vale la pena usar OCR clásico?

Sí, para grandes volúmenes de páginas impresas limpias en las que solo necesita el texto y su posición. Se ejecuta en local sin coste por llamada. Los modelos de visión son mejores cuando necesita campos, tablas o respuestas en lugar de caracteres sueltos.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity