Corregir palabras dudosas del OCR
Corrige palabras OCR dudosas junto a su recorte original
Los archivos se procesan solo en este navegador. No se suben a ningún servidor.
Reúne solo las palabras con menos del 80 % de confianza en el OCR y corrígelas junto a un recorte del original
Este PDF está protegido con contraseña.
Seguir en otra herramienta
Procesando…
Todo se ejecuta dentro de este navegador. Tu archivo nunca se envía a un servidor.
Tu archivo está listo para descargar
Seguir con este resultado
Abrir vista previa de páginas
Al cambiar un ajuste se oculta el resultado anterior. Vuelve a generarlo para guardar los ajustes actuales.
Quita primero la contraseña de un PDF cifrado. El procesamiento se centra en el contenido de las páginas, por lo que no se garantiza conservar marcadores, adjuntos, formularios ni firmas. Conserva el original y revisa el resultado.
Procesando…
0.0
No se ha bloqueado: el resultado aparecerá cuando termine el cálculo.
Acerca de Corregir palabras dudosas del OCR
La capa de texto de un OCR suele acertar casi siempre y fallar a veces, y el problema es no saber dónde. Esta herramienta pasa Tesseract por todo el documento y reúne solo las palabras de las que el propio motor no estaba seguro (confianza inferior al 80 % por defecto), mostrando cada una junto a un recorte de la imagen original.
Las palabras corregidas se escriben en la misma posición como texto invisible con confianza 100; las que no tocas conservan el resultado original. El funcionamiento del OCR y los ajustes de escaneo se explican en la guía «Cómo convertir un PDF escaneado en un documento con búsqueda».
Qué errores detecta la confianza y cuáles se le escapan
La confianza mide cuán seguro está el motor de las formas que vio, no si el resultado es correcto. La tinta corrida o la letra pequeña reciben una puntuación baja y entran en la lista, pero caracteres casi idénticos, como el 0 y la O o el 1 y la l, pueden leerse mal con confianza alta. En facturas, números de cuenta o fechas, donde un carácter importa, sube el umbral a un 90 % aproximadamente para revisar más palabras.
Si lo bajas al 60 %, solo quedan las palabras claramente rotas y la lista es corta. En documentos largos ahorra tiempo una pasada rápida con umbral bajo y otra más estricta en las páginas importantes.
Qué corregir primero
La capa de texto sirve para buscar y copiar, así que corrige primero lo que alguien buscará después: nombres, empresas, importes, fechas y números de documento. Un error en «de» o «la» apenas afecta a la búsqueda.
Las tildes y la eñe son un punto débil con escaneos de baja resolución: «año» puede salir como «ano» con confianza aceptable. En nombres propios y palabras clave, compara con el recorte aunque la puntuación parezca buena.
Ejemplos
Un tique escaneado
- Entrada
184 palabras reconocidas, umbral 80 %- Resultado
11 sospechosas (p. ej., «48,O0 €» al 71 %, «1O/10» al 62 %)
Al corregirlas a «48,00 €» y «10/10» mirando los recortes, esos valores pasan a encontrarse con la búsqueda. Las otras 173 palabras conservan su reconocimiento original.
Cómo se usa
- Abre el PDF, fija el umbral y busca las palabras sospechosas.
- Compara cada recorte con su texto reconocido y corrige solo las erróneas.
- Guarda para obtener el PDF con la capa de texto corregida.
Preguntas frecuentes
¿Vuelve a hacer OCR en un PDF que ya lo tenía?
Sí. La confianza no se guarda en el PDF, así que se reconoce de nuevo todo el documento. Con muchas páginas tarda.
¿Puedo dividir o unir palabras?
No. El texto se sustituye por recuadro de palabra. Si escribes un espacio, quedan dos palabras en un mismo recuadro.
El resumen siempre dice «inferior al 80 %».
El texto del resumen está fijado al valor por defecto. La lista usa el umbral que hayas elegido.
Fuentes
Revisado el: