Por qué el OCR falla con la letra a mano (y qué funciona de verdad)

Toma una foto de una página impresa y casi cualquier app de escaneo te devolverá un texto prácticamente perfecto. Toma una foto de una página de tu cuaderno y la misma app te devolverá algo que va de la aproximación al disparate. Esa diferencia no es un defecto de una app concreta. Viene de cómo se diseñó el reconocimiento de texto y de lo que es en realidad la escritura a mano.

El OCR clásico se pensó para texto impreso

El reconocimiento óptico de caracteres creció entre documentos impresos: libros, formularios, facturas, tickets. En ese mundo, una letra es un objeto fijo. Todas las a de una misma fuente y un mismo tamaño tienen exactamente la misma forma, píxel a píxel. Las palabras se apoyan en una línea base recta, los caracteres están separados por espacio en blanco, el interlineado es regular y la página es plana.

El proceso clásico aprovecha todo eso. Pasa la imagen a blanco y negro, la endereza, localiza las líneas de texto, corta cada línea en casillas de un carácter, compara cada casilla con una biblioteca de formas conocidas y, por último, pasa el resultado por un diccionario para arreglar lo que queda. Cada etapa depende de que la anterior sea estable: trazo regular, espaciado regular, separación limpia entre los signos.

Esas condiciones se cumplen en una novela o en una factura de la luz. Se vienen abajo en cuanto una mano toma un bolígrafo.

La letra a mano no es una fuente

El primer problema es la variación dentro de una misma persona. Tu letra de una mañana tranquila no es tu letra en mitad de una reunión con prisas. La velocidad cambia la altura y la inclinación de las letras. La postura mueve la línea base. Un cuaderno apoyado en las rodillas no deja los mismos trazos que ese mismo cuaderno sobre una mesa. El bolígrafo, el papel y la prisa que tengas dejan huellas visibles. No tienes una sola letra: tienes un abanico.

El segundo problema es la variación entre personas, que es mucho mayor. Cada uno forma las letras según dónde y cuándo aprendió a escribir. Un siete puede llevar raya o no. Un uno puede tener un trazo inicial tan largo que lo lea como un siete cualquiera que no haya aprendido a escribirlo así. Las mayúsculas, los bucles, los enlaces entre letras y los rasgos que bajan de la línea cambian según la escuela y la generación. Así que la letra a no es una forma, sino una gran familia de formas, y los bordes de esa familia se solapan con los de otras letras.

La letra cursiva borra las fronteras

La letra ligada añade un problema más difícil: la segmentación. En el texto impreso, el espacio en blanco indica dónde termina un carácter y dónde empieza el siguiente. En la cursiva el bolígrafo no se levanta, así que esas fronteras no existen en la imagen. El sistema tiene que inventarlas.

Eso crea una dependencia circular. Para cortar en el sitio correcto hay que saber qué palabra se está leyendo, pero para identificar la palabra primero hacen falta los cortes. El resultado lo conoce cualquiera que haya intentado descifrar una receta médica: rn parece una m (y «cuaderno» se convierte en «cuademo»), cl parece una d, una serie de trazos de i sin punto parece una u o una n, una t con la barra alta parece una l, y una ñ con la tilde apenas marcada se queda en n. Nada de esto es raro. Es el aspecto normal de una letra escrita deprisa.

La ambigüedad se resuelve con contexto, no con píxeles

Esta es la parte más importante. Si lees con soltura tu propia lista de la compra, no es porque las formas sean claras. La mitad no lo son. La lees porque ya sabes lo que habrías escrito. La lectura humana repara la imagen todo el tiempo con conocimientos que no están en la imagen.

Parte de ese conocimiento es lingüístico: la gramática, las combinaciones de palabras habituales, el registro de la frase. Otra parte es personal, y ningún modelo general la tiene. Los nombres de tus compañeros de trabajo. El nombre en clave de un proyecto. La abreviatura que te inventaste para un cliente habitual. Tu forma abreviada de escribir un medicamento, la referencia de un expediente o una medida de laboratorio. Mejorar la nitidez de la foto no sirve de nada, porque la información que falta nunca estuvo en la página.

Los nombres propios son el peor caso. Ningún diccionario los cubre, y una suposición equivocada resulta del todo creíble para quien no estaba presente.

La propia página también estorba

Una página real de cuaderno contiene mucho más que líneas de texto:

• Una maquetación improvisada: notas al margen, flechas, recuadros, una segunda columna empezada cuando la primera se quedó sin sitio.
• Tachones, añadidos encima de la línea y texto escrito alrededor.
• Dos idiomas en una misma frase, algo que desarma cualquier diccionario ajustado a uno solo.
• Papel rayado o cuadriculado, cuya trama impresa compite con la tinta.
• Condiciones físicas: lápiz, tinta que traspasa desde la página anterior, la sombra de tu mano y la curva de la página cerca del lomo de un cuaderno encuadernado.

Lo que cambiaron los modelos de visión y lenguaje

El reconocimiento reciente funciona de otra manera. En lugar de comparar formas aisladas con plantillas, los modelos actuales se entrenan a la vez con imágenes y con texto, y leen una línea o una página entera de una sola vez. Pueden sopesar a qué se parece una forma y qué tendría sentido en esa frase, algo mucho más cercano a como leemos las personas.

En la práctica, esto elimina varios de los fallos de antes. La cursiva ya no necesita cortes explícitos entre caracteres. La duda entre rn y m la resuelve la palabra en la que aparece. Un nombre medio ilegible se puede recuperar gracias a la frase que lo rodea. Las maquetaciones irregulares, los idiomas mezclados y las formas de letra poco habituales se manejan mucho mejor que con un proceso basado en plantillas. La mejora con letra a mano real es auténtica, y es la razón por la que transcribir un cuaderno hoy es algo viable.

Pero los errores se volvieron más convincentes

El OCR antiguo fallaba a la vista. Producía caracteres rotos y secuencias imposibles, y sabías al instante que algo había salido mal. Un modelo moderno falla con fluidez. Cuando no consigue leer una palabra, no se detiene: escribe la palabra más plausible. El resultado está bien escrito, es gramatical, tiene el tono adecuado y es incorrecto.

Hay un segundo fallo, más discreto: la normalización silenciosa. Un modelo puede desarrollar una abreviatura que querías conservar, pulir una expresión que escribiste así a propósito o completar una frase que dejaste a medias. Y en la mayoría de las herramientas nada indica qué palabras se leyeron con claridad y cuáles se adivinaron. El texto llega con la misma seguridad en los dos casos.

En una lista de la compra, nada de esto importa. En una dosis, el nombre de un cliente, un importe, una fecha o una frase de una carta que piensas citar, importa mucho. También por eso conviene desconfiar de las cifras de precisión sueltas: el número depende por completo de qué letra se probó, con qué contenido, en qué papel y de si una sustitución plausible se cuenta con la misma severidad que un galimatías visible.

Lo que funciona de verdad: revisar y luego aprender

Si el riesgo real son los errores convincentes, la pregunta útil no es cómo conseguir un reconocimiento perfecto. Es cómo hacer que los errores sean fáciles de encontrar y fáciles de corregir, para que no lleguen al texto en el que vas a confiar.

Dos cosas hacen casi todo el trabajo.

1. La página original sigue unida al texto, y el motor indica dónde dudó. No una foto en una app y el texto en otra, sino la imagen y la transcripción juntas, con las palabras que el modelo consideró dudosas subrayadas para que una lectura incierta se corrija en el sitio. Una revisión que lleva dos segundos se hace. Una revisión que obliga a releer la página entera en otra app no se hace.
2. Las correcciones se recuerdan. Un sistema que lee mal el nombre de un compañero una vez no debería volver a leerlo mal en la décima página. Tu vocabulario, tus nombres propios y tus abreviaturas son justo el contexto personal que ningún modelo general puede tener, y solo puede venir de ti.

Encria está construida en torno a esta idea. Las páginas se transcriben, las palabras de las que el motor no estaba seguro aparecen subrayadas justo debajo de la imagen original para que las corrijas con un toque, y las correcciones que haces se guardan en tu dispositivo y se reutilizan en las transcripciones siguientes. Con Encria Pro, los perfiles de escritura reutilizables guardan además tu vocabulario, tus nombres propios y tus abreviaturas. La lectura en bruto se conserva por el mismo motivo: lo que se leyó sigue disponible tal cual, palabra por palabra, y la revisión con IA que corrige errores de lectura probables y frases cortadas es una capa por encima que puedes desactivar cuando lo que importa es la redacción exacta.

Una forma práctica de trabajar

Uses la herramienta que uses, unos cuantos hábitos hacen mucho más fiable la transcripción de letra a mano: toma la foto con luz uniforme y la página lo más plana posible, deja una sola página por imagen en lugar de la doble página abierta, y revisa primero los nombres, las cifras y las fechas, porque ahí es donde un modelo fluido tiene más probabilidades de equivocarse con total seguridad. Si una página importa de verdad, lee la transcripción una vez junto al original antes de archivarla.

Si quieres la versión práctica de este método, consulta cómo transcribir notas escritas a mano. Y si estás comparando herramientas, la diferencia entre una función general de imagen a texto y una app dedicada a la transcripción se explica en la comparación entre Encria y Google Lens. Las dos cosas se reducen a la misma idea: el reconocimiento es solo la mitad del trabajo, y la mitad que decide si puedes fiarte del resultado es lo que pasa después.