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.