Saltar al contenido
Descargar CV

Escritos

Cómo funciona Tesseract OCR en el navegador y en tu equipo

Cómo pasa Tesseract OCR de imagen a texto y cómo usarlo en el navegador o en tu ordenador, con código JavaScript, TypeScript, Node, PHP y soluciones reales.

Publicado el Actualizado el 20 min de lectura

  • Tesseract
  • OCR
  • JavaScript
  • TypeScript
  • WebAssembly
  • PHP

Respuesta corta: Tesseract es un motor de OCR gratuito y open source. Limpia la imagen, localiza las líneas de texto y lee cada línea con una red neuronal LSTM entrenada para un idioma concreto. Puedes ejecutarlo en tu propio ordenador (tesseract image.png stdout) o dentro de una página web con Tesseract.js, que compila el motor a WebAssembly para que la imagen nunca salga del dispositivo.

Construí QuickImageToText, una herramienta gratuita para pasar de imagen a texto, sobre Tesseract.js. En esta guía explico cómo funciona el motor, cómo usarlo en local y desde código (JavaScript, TypeScript, Node.js, PHP y Python), y los problemas que me encontré en producción junto con las soluciones que funcionaron.

¿Qué es Tesseract OCR?

El OCR (reconocimiento óptico de caracteres) es un software que mira una imagen y devuelve el texto que ve en ella.

Tesseract nació en Hewlett-Packard entre los años 80 y 90, se liberó como open source en 2005, Google lo desarrolló durante muchos años y hoy lo mantiene su comunidad en GitHub. Se publica bajo la licencia Apache 2.0, así que puedes usarlo gratis en proyectos personales y comerciales.

Dato Detalle
Licencia Apache 2.0 (gratis para uso comercial)
Escrito en C++
Reconocimiento Red neuronal LSTM desde la versión 4, además del antiguo motor “legacy”
Idiomas Más de 100 idiomas y sistemas de escritura entrenados
Funciona en Windows, macOS, Linux y en el navegador mediante WebAssembly (Tesseract.js)
Entrada PNG, JPG, TIFF, BMP, GIF, WebP y más (a través de Leptonica)
Salida Texto plano, hOCR, TSV, ALTO XML, PDF con texto buscable

Cómo lee Tesseract el texto, paso a paso

Tesseract no mira una imagen como lo haces tú. Pasa la imagen por cinco etapas y devuelve el texto con una puntuación de confianza.

1. Preprocesado (binarización)

Tesseract convierte la imagen a blanco y negro con el umbral de Otsu. Cada píxel pasa a ser “tinta” o “papel”. Por eso las sombras, los fondos de color y el poco contraste empeoran los resultados: cuando la separación sale mal, las letras se rompen o se juntan.

2. Análisis del diseño (segmentación de página)

Después busca dónde está el texto: columnas, párrafos, bloques de texto e imágenes que debe ignorar. Puedes decirle a Tesseract qué esperar con el modo de segmentación de página (PSM), por ejemplo “un bloque de texto” o “una sola línea”. Un PSM equivocado es una de las causas más habituales de un mal resultado, así que tiene su propia sección más abajo.

3. Detección de líneas y palabras

Dentro de cada bloque encuentra la línea base de cada línea de texto, aunque esté un poco curvada o inclinada, y divide las líneas en palabras.

4. Reconocimiento con una red neuronal LSTM

Desde Tesseract 4, cada línea de texto pasa por una red LSTM (long short-term memory). En lugar de reconocer una letra aislada cada vez, lee la línea completa como una secuencia, de izquierda a derecha (o de derecha a izquierda en árabe y urdu), y así puede usar los caracteres vecinos como contexto. Esa es la razón principal de que el Tesseract moderno sea muchísimo mejor que los OCR antiguos.

Lo que sabe la red vive en un archivo .traineddata por idioma: eng.traineddata, fra.traineddata, jpn.traineddata, etc. Sin traineddata no hay reconocimiento. El archivo del modelo es el soporte del idioma.

5. Modelo de lenguaje y resultado

Las listas de palabras y las estadísticas de caracteres del traineddata ayudan a elegir entre formas parecidas, como rn y m, o 0 y O. El resultado es el texto más una puntuación de confianza de 0 a 100 para la página, para cada línea y para cada palabra. Una puntuación baja suele significar que la imagen está demasiado borrosa o que se eligió el idioma equivocado.

OSD: detección de orientación y escritura

Tesseract también incluye un pequeño modelo especial llamado osd. No lee texto. Responde a dos preguntas: ¿la imagen está girada 90, 180 o 270 grados?, y ¿qué sistema de escritura usa (latino, cirílico, árabe, han, devanagari)? QuickImageToText lo usa para su modo de idioma Auto.

Tesseract vs Tesseract.js: dispositivo vs navegador

Hay dos formas habituales de ejecutar Tesseract.

Tesseract (nativo) Tesseract.js
Qué es El programa original en C++ Tesseract compilado a WebAssembly, con una API de JavaScript
Dónde se ejecuta Tu ordenador o servidor (CLI o librería) Cualquier navegador moderno, y Node.js
Instalación brew, apt o el instalador de Windows npm install tesseract.js o una etiqueta <script>
Velocidad La más rápida Algo más lento, suficiente para imágenes normales
Privacidad Los archivos se quedan en tu máquina Los archivos se quedan en el navegador del visitante
Funciona sin conexión Sí Sí, una vez que el motor y los modelos están en caché, si la app está preparada para ello
Ideal para Procesos por lotes, scripts, servidores Webs, aplicaciones web, extensiones del navegador

Cómo se ejecuta Tesseract.js en un navegador

  1. El motor en C++ se compila a un archivo .wasm con Emscripten. Los navegadores ejecutan WebAssembly a una velocidad cercana a la nativa. Hay builds con SIMD y sin SIMD, y Tesseract.js elige la que admite tu navegador.
  2. El OCR se ejecuta en un Web Worker, un hilo en segundo plano, así que la página no se congela mientras trabaja.
  3. El archivo traineddata del idioma elegido se descarga (normalmente comprimido con gzip) y se guarda en el IndexedDB del navegador, para que la siguiente vez no haya que descargarlo de nuevo.
  4. Tu imagen (un File, Blob, <canvas>, <img> o una URL) se pasa al worker, se reconoce y el texto vuelve a la página.

La imagen no tiene por qué salir del dispositivo. Esa es la razón principal por la que lo elegí para QuickImageToText: sin subidas, sin almacenamiento y sin coste de servidor por imagen.

Cómo usa QuickImageToText Tesseract

QuickImageToText está hecho con PHP puro, JavaScript vanilla y Tesseract.js 5.1.1. Todo el OCR se ejecuta en el navegador. PHP solo genera las páginas y las versiones en cada idioma. No existe ningún endpoint de subida, así que los archivos nunca se envían a mi servidor.

Lo que admite hoy:

  • 19 idiomas de OCR: inglés, español, francés, alemán, italiano, portugués, ruso, ucraniano, turco, árabe, chino (simplificado y tradicional), japonés, coreano, urdu, persa, hindi, bengalí y tailandés.
  • Un modo Auto que detecta el sistema de escritura, o la selección manual de hasta 3 idiomas para texto mezclado, por ejemplo francés e inglés.
  • Imágenes de hasta 10 MB: JPG, PNG, GIF, BMP, WebP, TIFF y HEIC/HEIF de iPhone.
  • OCR por lotes de hasta 20 imágenes a la vez.
  • PDF a texto de hasta 50 MB. La capa de texto existente se lee directamente, y hasta 20 páginas escaneadas por ejecución pasan por OCR.
  • Una puntuación de confianza en cada resultado, con un consejo para repetir la foto cuando es baja.

Qué pasa cuando sueltas una imagen

  1. El servidor ya ha enviado la página con su configuración: límites de tamaño, idiomas y rutas de los modelos.
  2. Cuando eliges, pegas o sueltas un archivo, arranca un worker de preprocesado. Usa OffscreenCanvas para pasar a escala de grises, corregir el contraste, girar, enderezar (deskew) y ampliar, y además descarga, descomprime y guarda en caché los modelos de idioma.
  3. Un worker de OSD detecta el sistema de escritura y cualquier giro de un cuarto de vuelta.
  4. Un único worker de Tesseract.js lee la imagen ya limpia. Los trabajos se ponen en cola sobre él en lugar de crear un worker nuevo cada vez.
  5. El texto, la puntuación de confianza y el número de palabras aparecen en la caja de resultado. No se ha subido nada en ningún paso.

Las decisiones de diseño que más se notaron:

  • Motor y modelos alojados en mi propio servidor. Tesseract.js, su worker, el núcleo de WebAssembly y todos los archivos traineddata se sirven desde mi propio dominio en carpetas versionadas (/assets/tesseract/5.1.1/, /tessdata/4.1.0/). No hace falta ningún CDN al hacer OCR, los archivos se guardan en caché durante un año, y cambiar un modelo significa una carpeta nueva, nunca sobrescribir un archivo.
  • El modelo adecuado para cada escritura. Modelos pequeños y rápidos de tessdata_fast para latino y cirílico. Los modelos más grandes y precisos de tessdata_best para árabe, urdu, persa, hindi, bengalí, chino, japonés, coreano y tailandés, donde los rápidos cometían demasiados errores.
  • Carga diferida. Al abrir la página no se descarga nada relacionado con el OCR. El precalentamiento empieza cuando se elige un archivo, así que los visitantes que solo leen la página no pagan nada.
  • Nada pesado en el hilo principal. La limpieza de la imagen y la gestión de los modelos se ejecutan en un Web Worker, así que el scroll y la escritura siguen fluidos durante el OCR.
  • Un solo worker de reconocimiento, reutilizado. Crear un worker de Tesseract es caro. Creo uno, pongo los trabajos en cola sobre él y solo cambio sus idiomas cuando hace falta.
  • Una única fuente de verdad para los números. Límites como 10 MB o 20 imágenes viven en un único archivo de configuración PHP. PHP los imprime en la página y el JavaScript lee los mismos valores, así que el texto de la página y el comportamiento real no pueden contradecirse.

Usa Tesseract en tu ordenador (gratis y en local)

No necesitas una web para usar Tesseract. Instalado en local es gratis, privado y funciona sin internet.

Instalación

En macOS con Homebrew:

brew install tesseract          # motor + inglés
brew install tesseract-lang     # el resto de idiomas (opcional)

En Ubuntu o Debian:

sudo apt update
sudo apt install tesseract-ocr                  # motor + inglés
sudo apt install tesseract-ocr-fra tesseract-ocr-ara tesseract-ocr-jpn   # idiomas adicionales

En Windows, descarga el instalador de la build de UB Mannheim, que es la que enlaza la guía de instalación oficial. Marca los idiomas adicionales que necesites durante la instalación y luego añade la carpeta de instalación (por ejemplo C:\Program Files\Tesseract-OCR) a tu PATH.

Comprueba que funciona:

tesseract --version
tesseract --list-langs

Extraer texto de una imagen desde la línea de comandos

# muestra el texto en la terminal
tesseract receipt.jpg stdout

# lo guarda en output.txt
tesseract receipt.jpg output

# texto en francés e inglés, un único bloque uniforme
tesseract page.png stdout -l fra+eng --psm 6

# PDF con texto buscable a partir de una imagen escaneada
tesseract scan.png scan pdf

# datos a nivel de palabra con confianza (TSV)
tesseract photo.jpg stdout tsv

Procesar una carpeta entera

# macOS / Linux
for f in *.png; do tesseract "$f" "${f%.*}" -l eng; done
# Windows PowerShell
Get-ChildItem *.png | ForEach-Object { tesseract $_.FullName $_.BaseName -l eng }

Extraer texto de una imagen con JavaScript

El código de esta guía usa Tesseract.js 5.1.1, la versión que usa QuickImageToText. Existen versiones mayores más recientes, así que revisa la documentación de la API si instalas la última.

Esta es la forma más sencilla de añadir OCR a una web. Guárdalo como archivo HTML y ábrelo desde un servidor web local (por ejemplo npx serve o php -S localhost:8000):

<!doctype html>
<html lang="en">
<head>
  <meta charset="utf-8">
  <title>Image to text demo</title>
  <script src="https://cdn.jsdelivr.net/npm/tesseract.js@5.1.1/dist/tesseract.min.js"></script>
</head>
<body>
  <input type="file" id="file" accept="image/*">
  <p id="status"></p>
  <pre id="output"></pre>

  <script>
    const status = document.getElementById('status');
    const output = document.getElementById('output');

    document.getElementById('file').addEventListener('change', async (event) => {
      const file = event.target.files[0];
      if (!file) return;

      // v5: createWorker(languages, oem, options). OEM 1 = solo LSTM.
      const worker = await Tesseract.createWorker('eng', 1, {
        logger: (m) => {
          if (m.status === 'recognizing text') {
            status.textContent = `Reading... ${Math.round(m.progress * 100)}%`;
          }
        },
      });

      const { data } = await worker.recognize(file);
      output.textContent = data.text;
      status.textContent = `Done. Confidence: ${Math.round(data.confidence)}%`;

      await worker.terminate();
    });
  </script>
</body>
</html>

Aloja los archivos tú mismo en lugar de usar un CDN

En una web real, sirve tú mismo los archivos. Ganas en privacidad, caché y fiabilidad:

const worker = await Tesseract.createWorker('eng', 1, {
  workerPath: '/vendor/tesseract/worker.min.js',
  corePath: '/vendor/tesseract/core/', // carpeta con las builds .wasm(.js)
  langPath: '/tessdata/4.1.0',         // carpeta con eng.traineddata.gz y los demás
});

Reutiliza un worker para muchas imágenes

const worker = await Tesseract.createWorker('eng', 1);

for (const file of files) {
  const { data } = await worker.recognize(file);
  console.log(file.name, data.text);
}

// cambia de idioma sin crear un worker nuevo
await worker.reinitialize(['fra', 'eng']);

await worker.terminate();

Configura el modo de segmentación de página

await worker.setParameters({
  tessedit_pageseg_mode: Tesseract.PSM.SINGLE_LINE, // p. ej. un código o un número de serie
  tessedit_char_whitelist: '0123456789ABCDEF',       // opcional: solo estos caracteres
});

Leer texto de una captura de pantalla pegada

document.addEventListener('paste', async (event) => {
  const item = [...event.clipboardData.items].find((i) => i.type.startsWith('image/'));
  if (!item) return;
  const { data } = await worker.recognize(item.getAsFile());
  console.log(data.text);
});

Usa Tesseract.js con TypeScript

Tesseract.js trae sus propias definiciones de tipos, así que no necesitas ningún paquete @types adicional.

npm install tesseract.js@5.1.1
// ocr.ts
import { createWorker, PSM, type Worker } from 'tesseract.js';

export interface OcrResult {
  text: string;
  confidence: number;
}

let worker: Worker | null = null;

async function getWorker(langs: string[]): Promise<Worker> {
  if (!worker) {
    worker = await createWorker(langs, 1);
    await worker.setParameters({ tessedit_pageseg_mode: PSM.AUTO });
  } else {
    await worker.reinitialize(langs);
  }
  return worker;
}

export async function imageToText(
  image: File | Blob | HTMLCanvasElement | string,
  langs: string[] = ['eng'],
): Promise<OcrResult> {
  const w = await getWorker(langs);
  const { data } = await w.recognize(image);
  return { text: data.text.trim(), confidence: data.confidence };
}

export async function disposeOcr(): Promise<void> {
  await worker?.terminate();
  worker = null;
}

Usándolo en un componente de React:

import { useState } from 'react';
import { imageToText } from './ocr';

export function ImageToText() {
  const [text, setText] = useState('');
  const [busy, setBusy] = useState(false);

  async function onChange(e: React.ChangeEvent<HTMLInputElement>) {
    const file = e.target.files?.[0];
    if (!file) return;
    setBusy(true);
    try {
      const result = await imageToText(file, ['eng']);
      setText(result.text);
    } finally {
      setBusy(false);
    }
  }

  return (
    <div>
      <input type="file" accept="image/*" onChange={onChange} disabled={busy} />
      <textarea value={text} readOnly rows={12} />
    </div>
  );
}

El mismo ocr.ts funciona en Vue, Svelte, Angular o TypeScript sin framework, porque solo depende de Tesseract.js.

Usa Tesseract en Node.js

Tesseract.js también funciona en Node.js, sin instalar nada nativo:

// ocr.mjs, ejecútalo con: node ocr.mjs invoice.png
import { createWorker } from 'tesseract.js';

const worker = await createWorker('eng');
const { data } = await worker.recognize(process.argv[2]);
console.log(data.text);
await worker.terminate();

Para cargas pesadas en servidor, el CLI nativo tesseract es más rápido. Puedes llamarlo desde Node con child_process.execFile('tesseract', [file, 'stdout', '-l', 'eng']). Pasa siempre los argumentos como un array y nunca construyas un comando de shell a partir de lo que introduce el usuario.

Usa Tesseract con PHP

PHP no puede ejecutar Tesseract dentro del navegador, así que hay dos patrones distintos. Elige el que encaje con tus necesidades de privacidad.

Patrón A: OCR en el servidor con Tesseract nativo

Instala Tesseract en el servidor (mira más arriba) y usa el wrapper thiagoalessio/tesseract_ocr:

composer require thiagoalessio/tesseract_ocr
<?php
require __DIR__ . '/vendor/autoload.php';

use thiagoalessio\TesseractOCR\TesseractOCR;

$text = (new TesseractOCR('uploads/receipt.jpg'))
    ->lang('eng', 'fra')
    ->psm(6)
    ->run();

echo nl2br(htmlspecialchars($text));

Sin Composer, llama al binario y escapa la ruta con escapeshellarg():

<?php
$image = '/var/www/uploads/receipt.jpg';
$cmd = 'tesseract ' . escapeshellarg($image) . ' stdout -l eng 2>/dev/null';
$text = (string) shell_exec($cmd);

Antes de poner OCR en el servidor en producción:

  • valida la subida (tipo MIME de imagen real, límite de tamaño),
  • guarda las subidas fuera de la raíz web y bórralas después del OCR,
  • limita la concurrencia, porque Tesseract consume mucha CPU,
  • avisa a los usuarios de que su archivo se sube y de cuánto tiempo lo guardas.

Patrón B: PHP genera la página y el OCR se ejecuta en el navegador

Así funciona QuickImageToText. PHP nunca toca la imagen. Solo imprime el HTML y la configuración que necesita el JavaScript, así que los límites y los idiomas se definen en un único sitio:

<?php
// config.php: la única fuente de verdad
return [
    'max_image_mb'  => 10,
    'ocr_languages' => ['eng' => 'English', 'fra' => 'French', 'ara' => 'Arabic'],
    'tessdata_path' => '/tessdata/4.1.0',
];
<?php
// page.php
$config = require __DIR__ . '/config.php';
?>
<input type="file" id="file" accept="image/*">
<pre id="output"></pre>

<script>
  window.OCR_CONFIG = <?= json_encode($config, JSON_HEX_TAG | JSON_UNESCAPED_UNICODE) ?>;
</script>
<script src="/vendor/tesseract/tesseract.min.js" defer></script>
<script src="/js/ocr.js" defer></script>
// /js/ocr.js
document.getElementById('file').addEventListener('change', async (e) => {
  const file = e.target.files[0];
  if (!file) return;
  if (file.size > OCR_CONFIG.max_image_mb * 1024 * 1024) {
    alert(`Max ${OCR_CONFIG.max_image_mb} MB`);
    return;
  }
  const worker = await Tesseract.createWorker('eng', 1, { langPath: OCR_CONFIG.tessdata_path });
  const { data } = await worker.recognize(file);
  document.getElementById('output').textContent = data.text;
  await worker.terminate();
});

Te quedas sin subidas, sin CPU de servidor por imagen, sin archivos de usuarios almacenados, y funciona en un hosting compartido barato.

Python en pocas líneas

pytesseract envuelve el binario nativo, así que primero instala Tesseract:

pip install pytesseract pillow
from PIL import Image
import pytesseract

print(pytesseract.image_to_string(Image.open("page.png"), lang="eng+fra"))

Idiomas y modelos traineddata

Cada idioma es un archivo .traineddata independiente. Hay tres conjuntos oficiales:

Conjunto Tamaño por idioma Precisión Velocidad Ideal para
tessdata_fast entre 0,6 y 2 MB aprox. Buena La más rápida Latino, cirílico, aplicaciones web
tessdata (por defecto) medio Mejor Media Uso general, incluye los datos del motor legacy
tessdata_best entre 3 y 13 MB aprox. La mejor La más lenta Árabe, urdu, hindi, bengalí, chino, japonés, coreano, tailandés

Algunas cosas que conviene saber:

  • Combina idiomas con +, como fra+eng o ara+eng. Dos o tres van bien. Más ralentiza el proceso y puede bajar la precisión.
  • Los códigos de idioma tienen tres letras, no dos: eng, fra, deu, spa, ara, chi_sim, chi_tra, jpn, kor, hin, urd.
  • El chino y el japonés también tienen modelos para texto vertical, como jpn_vert.
  • Para la web, comprime los modelos con gzip y sírvelos con cabeceras de caché largas.

Modos de segmentación de página (PSM) explicados

PSM Significado Úsalo para
0 Solo detección de orientación y escritura Averiguar el giro o el sistema de escritura
1 Automático con OSD Escaneos girados
3 Totalmente automático (por defecto) Documentos, diseños mixtos
4 Una sola columna, tamaños variables Tickets, facturas
6 Un único bloque uniforme Capturas de pantalla, párrafos, páginas de libros
7 Una sola línea de texto Un título, un número de serie, una línea de código
8 Una sola palabra Una palabra en una imagen recortada
11 Texto disperso, en cualquier orden Carteles, pósters, etiquetas, memes
13 Línea en bruto, sin heurísticas Fuentes poco habituales en una línea

Si el resultado sale vacío o desordenado, prueba los PSM 6, 4 y 11 antes que cualquier otra cosa.

Problemas que me encontré y cómo los solucioné

Son problemas reales que tuve al construir QuickImageToText. Se aplican a casi cualquier proyecto con Tesseract.

1. El texto que no estaba en inglés salía como basura

Problema: alguien que leía una imagen en ruso o en árabe desde la página en inglés obtenía un texto sin sentido, porque el OCR usaba el inglés sin avisar. Cinco idiomas que la gente quería (urdu, persa, hindi, bengalí y tailandés) ni siquiera se ofrecían, así que se leían con el modelo equivocado.

Solución: añadí esos idiomas y pasé las escrituras complejas a modelos tessdata_best. Después construí un modo Auto. El OSD detecta el sistema de escritura y la herramienta prueba en orden los conjuntos de idiomas más probables: la escritura detectada, los idiomas del navegador del visitante, idiomas relacionados como el ruso y el ucraniano, o el árabe, el urdu y el persa, y el inglés al final. Un resultado se acepta cuando tiene buena confianza y la mayoría de sus letras pertenecen de verdad a la escritura esperada. Si no, gana el mejor de como máximo 3 intentos. El texto latino leído como inglés se vuelve a leer como francés, español, alemán, italiano o portugués cuando las palabras comunes delatan el idioma. Los usuarios siguen pudiendo elegir a mano hasta 3 idiomas.

Elegir el idioma correcto importa más que cualquier otro ajuste. Si construyes una herramienta de OCR, nunca escondas la elección del idioma.

2. Las fotos giradas e inclinadas fallaban por completo

Problema: una foto de móvil girada 90 o 180 grados no producía casi nada, y las páginas un poco inclinadas perdían muchas palabras.

Solución: el OSD informa de los giros de un cuarto de vuelta (90, 180, 270), que aplico antes del reconocimiento. Un giro con poca confianza solo se mantiene si de verdad se lee mejor. Después, un paso de deskew (enderezado) calcula la pequeña inclinación, hasta 15 grados hacia cualquier lado, con un perfil de proyección y endereza la imagen.

3. Fotos de móvil con sombras y la mesa alrededor de la página

Problema: el paso de blanco y negro integrado en Tesseract se confundía con la luz irregular. Las esquinas oscuras se convertían en “tinta” y el texto tenue desaparecía.

Solución: un paso de preprocesado antes de Tesseract. Pasa la imagen a escala de grises, detecta texto claro sobre fondo oscuro y lo invierte, normaliza la iluminación (la mesa en sombra alrededor de una página fotografiada se pinta de blanco), estira el contraste y amplía la imagen cuando las líneas de texto miden menos de unos 20 píxeles de alto. Eso equivale más o menos a 300 dpi, donde Tesseract funciona mejor. Un interruptor opcional de blanco y negro (Otsu) ayuda con los escaneos con ruido.

4. La página se congelaba durante el OCR

Problema: el procesado de imágenes y la descarga de modelos en el hilo principal bloqueaban el scroll y los clics.

Solución: todo lo pesado se ejecuta en Web Workers. El preprocesado usa OffscreenCanvas dentro de un worker, que además descarga, descomprime y guarda en caché los modelos. Medí que no había ninguna pausa del hilo principal de más de 25 ms durante el OCR, incluso con un modelo japonés de 13 MB sin caché. Los navegadores sin OffscreenCanvas recurren a enviar la imagen original a Tesseract con su propia rotación automática.

5. Descargas de modelos grandes en cada visita

Problema: los mejores modelos pesan varios MB cada uno. Descargarlos al cargar la página ralentizaría a todos los visitantes, incluso a los que nunca usan el OCR.

Solución: al abrir la página no se carga nada. El precalentamiento empieza cuando se elige, se pega o se suelta un archivo. Los modelos van comprimidos con gzip, se sirven con una caché inmutable de un año desde carpetas versionadas y se guardan en IndexedDB, así que un visitante que vuelve no descarga nada. La barra de progreso muestra los bytes reales, para que una conexión lenta no parezca rota.

6. Los resultados se veían mal aunque el OCR fuera correcto

Problema: texto correcto en chino, japonés o urdu a veces se mostraba con el estilo de fuente equivocado, y los modelos CJK best metían espacios entre los caracteres.

Solución: la caja de resultado recibe el atributo lang correcto (ja, zh-Hant, ur) para que el navegador elija las formas de glifo adecuadas. Una pila de fuentes Noto alojada en mi servidor carga solo las escrituras que aparecen en pantalla. Los espacios sobrantes entre caracteres CJK se eliminan, salvo en coreano, que usa espacios de verdad.

7. Fotos HEIC del iPhone

Problema: la mayoría de los navegadores no pueden decodificar HEIC, así que las fotos del iPhone fallaban.

Solución: los archivos HEIC y HEIF se convierten a JPEG en el navegador antes del OCR con una copia de heic2any alojada en mi servidor. El archivo sigue sin salir del dispositivo.

8. El texto descargado se abría con caracteres rotos

Problema: un archivo .txt con árabe o chino se abría como mojibake (caracteres ilegibles) en algunos editores, sobre todo en Windows.

Solución: las descargas se escriben en UTF-8 con BOM, que le indica la codificación a los editores.

9. El recuento de palabras y caracteres fallaba en idiomas asiáticos

Problema: separar por espacios cuenta un párrafo entero en chino o tailandés como una sola palabra.

Solución: Intl.Segmenter cuenta palabras y caracteres (grafemas) reales en cualquier idioma.

10. Los scripts de anuncios rompían el botón principal

Problema: algunas zonas de anuncios de terceros ponían capas emergentes invisibles sobre la página, así que al hacer clic en “Extraer texto” se abría un anuncio.

Solución: desactivé esas zonas. Si tu herramienta de OCR muestra anuncios, prueba la acción principal con los anuncios funcionando.

El resultado

En mi conjunto de 40 imágenes de prueba en 16 idiomas (escaneos limpios, fotos de móvil y páginas giradas), la tasa media de error por carácter bajó de alrededor del 42% a menos del 2% cuando el idioma correcto está seleccionado o se detecta. El único caso difícil que queda es el urdu en nastaliq, el estilo caligráfico y fluido de esa escritura, porque el modelo de urdu de Tesseract se entrenó sobre todo con el estilo naskh, más sencillo.

Consejos para mejorar los resultados del OCR

  1. Elige el idioma, o una combinación como fra+eng, en lugar de dejarlo al azar.
  2. Usa buena luz sin sombras y sujeta el móvil paralelo a la página.
  3. Recorta solo el texto que necesitas.
  4. Apunta a un texto de 20 a 40 píxeles de alto. Amplía el texto pequeño y no le pases fotos enormes de 50 MP.
  5. Endereza la imagen: gira y aplica deskew antes del OCR.
  6. Mantén un contraste alto: texto oscuro sobre fondo claro. Invierte las capturas con texto blanco sobre negro.
  7. Prueba el blanco y negro (binarizar) con escaneos con ruido y textos impresos descoloridos.
  8. Elige el PSM correcto: 6 para un bloque, 7 para una línea, 11 para texto disperso.
  9. Usa PNG para las capturas de pantalla. Los artefactos de JPEG alrededor de las letras pequeñas empeoran la precisión.
  10. Vigila la puntuación de confianza. Por debajo de un 60% aproximadamente, repite la foto o cambia el idioma.

La página oficial Improving the quality of the output profundiza en cada uno de estos puntos.

Limitaciones que debes conocer

  • Escritura a mano: Tesseract está entrenado con texto impreso. Las mayúsculas de imprenta bien hechas pueden funcionar, la letra cursiva normalmente no. QuickImageToText tiene una página aparte de escritura a mano a texto con consejos para este caso.
  • Diseños complejos: las tablas, los formularios y las revistas a varias columnas pueden necesitar recorte o un procesado posterior. La salida TSV te da las posiciones de las palabras para trabajar con ellas.
  • Fuentes estilizadas y logotipos: las fuentes decorativas o muy finas pueden fallar.
  • Urdu en nastaliq: se puede leer, pero con menos precisión que la escritura árabe en estilo naskh.
  • Fórmulas matemáticas y notación musical: no están soportadas.
  • Imágenes de muy baja resolución o borrosas: ningún ajuste puede recuperar un texto que los píxeles no contienen.

Preguntas frecuentes

¿Tesseract OCR es gratis?

Sí. Tesseract y Tesseract.js son open source bajo la licencia Apache 2.0, gratis para uso personal y comercial. QuickImageToText también es gratis, sin registro.

¿Cómo funciona Tesseract en un navegador?

Tesseract.js compila el motor de Tesseract a WebAssembly y lo ejecuta en un Web Worker. El modelo de idioma se descarga una vez y se guarda en caché, y después la imagen se lee por completo en tu dispositivo.

¿Tesseract sube mi imagen a un servidor?

No cuando se ejecuta como Tesseract.js en el navegador o como programa en tu ordenador. En QuickImageToText la imagen se procesa en tu navegador y nunca se sube.

¿Cómo extraigo texto de una imagen gratis?

Abre QuickImageToText y elige, pega o arrastra una imagen. El texto aparece a los pocos segundos. Para hacerlo en local, instala Tesseract y ejecuta tesseract image.png stdout.

¿Cómo uso Tesseract en JavaScript?

Instala tesseract.js o añade su etiqueta script, crea un worker con createWorker('eng'), llama a worker.recognize(image) y lee data.text. La sección de JavaScript tiene un ejemplo completo.

¿Puedo usar Tesseract con TypeScript?

Sí. Tesseract.js incluye sus propios tipos de TypeScript. Importa createWorker y PSM desde tesseract.js.

¿Cómo uso Tesseract con PHP?

O bien instalas Tesseract en el servidor y usas el paquete de Composer thiagoalessio/tesseract_ocr, o bien dejas que PHP genere la página y ejecutas Tesseract.js en el navegador para que no se suba nada.

¿Qué idiomas admite Tesseract?

Más de 100 idiomas y sistemas de escritura. QuickImageToText ofrece 19 de ellos, entre ellos árabe, chino, japonés, coreano, hindi, urdu y tailandés.

¿Tesseract puede detectar el idioma automáticamente?

Su modelo OSD detecta el sistema de escritura (latino, árabe, han, etc.), no el idioma exacto. Herramientas como QuickImageToText combinan la detección de la escritura con otras pistas para elegir un idioma.

¿Por qué mi resultado de OCR sale mal o vacío?

Normalmente es por el idioma equivocado, una foto girada o borrosa, un texto muy pequeño o el modo de segmentación de página equivocado. Los consejos de arriba cubren cada caso.

¿Tesseract puede leer escritura a mano?

Solo letra cuidada, tipo imprenta, y no de forma fiable. Está pensado para texto impreso.

¿Tesseract puede leer PDF?

No directamente. Convierte antes cada página en una imagen, o usa una herramienta que lea la capa de texto del PDF y solo aplique OCR a las páginas escaneadas, como la herramienta de PDF a texto de QuickImageToText.

¿Qué diferencia hay entre tessdata_fast y tessdata_best?

Los modelos fast son pequeños y rápidos. Los modelos best son más grandes y más precisos. Usa best para escrituras complejas como el árabe, el hindi y el chino.

¿Tesseract.js es más lento que Tesseract nativo?

Algo, porque WebAssembly se ejecuta dentro del sandbox del navegador. Con fotos y capturas normales sigue tardando solo unos segundos, y te ahorras el tiempo de subida.

¿Tesseract funciona sin conexión?

Instalado en tu ordenador, sí. Tesseract.js puede funcionar sin conexión una vez que sus archivos están en caché, si la app está preparada para ello. QuickImageToText en sí necesita conexión para cargar la página y los modelos.


¿Quieres ver todo esto en acción? Extrae texto de una imagen directamente en tu navegador, sin subir nada y sin registro. Si necesitas OCR u otra herramienta que funcione en el navegador integrada en tu propio producto, escríbeme.

Más artículos

¿Tienes una app en mente?

Cuéntame qué estás construyendo. Respondo a cada consulta seria en un plazo de dos días laborables.