¿Recuerdan al escáner de mano? Era un aparato muy similar a esas pequeñas aspiradoras manuales que venden por televisión, y había que pasarlo sobre cada hoja para "detectar" su texto y digitalizarlo. Los resultados dependían exclusivamente de la calidad del texto en la hoja, del escáner, y del software utilizado, pero en la mayoría de los casos es muy común ver letras "l" minúsculas o "I" mayúsculas reemplazados pornúmeros "1" o signos de admiración "!". La calidad de los OCR ha mejorado al mismo tiempo que la popularidad del escáner ha caído. Esto se debe a la digitalización general de documentos e imágenes. Es muy común encontrar versiones en formato PDF de ciertos documentos, mientras que las cámaras digitales hicieron lo suyo con las fotos. El escáner se ha convertido en un dispositivo secundario, y ahora se lo puede ver integrado a impresoras en los llamados dispositivos "multifunción".

El sistema necesita una cuenta activa de Google Docs para importar el texto

Sin embargo, el OCR también puede utilizarse en imágenes que ya hayan sido digitalizadas y que contengan texto. Ya hemos visto un ejemplo de esto aquí en NeoTeo, el cual funciona bastante bien. Pero Google ha decidido traer al frente su propio sistema de OCR asociado a Google Docs a través de su API. Si tienes un documento en versión digital del cual deseas extraer su texto, puedes procesar la imagen (o imágenes) a través del OCR. En la misma página se ofrece una imagen de muestra para probar sus capacidades, pero además de hacer eso, creamos un texto con Paint.NET y lo guardamos como imagen. Lamentablemente, los resultados fueron malos. Por alguna razón el OCR de Google no detectó ni una sola palabra de nuestro texto guardado como imagen. Utilizamos una fuente Arial 12 y evitamos cualquier símbolo extraño, pero no obtuvimos resultados positivos. En cambio, el documento de muestra de Google fue convertido, aunque no estuvo libre de errores.

Incluso el texto de prueba de Google contenía errores

Si uno tiene que corregir el formato del texto una vez que fue importado a Google Docs, es probable que tarde un tiempo considerable, y en algunos casos puede que tarde más que escribirlo todo de nuevo. La idea de Google de agregar un sistema de OCR a Google Docs es muy buena, pero todavía necesita mucho trabajo. El servicio Free OCR sólo cometió algunos errores de espaciado y algunas sustituciones de letras con nuestro texto, mientras que con Google no pudimos importar ni una sola palabra. Quienes lo utilicen no solo buscarán convertir hojas enteras de documentos, sino que intentarán extraer texto de cada imagen que puedan encontrar, por lo que el gigante de Mountain View deberá trabajar duro en mejorar la detección de texto. Si tenemos en cuenta cómo trabaja Google, es probable que no pase mucho tiempo para ver mejores resultados.