Las APIs de OCR convierten el texto de imágenes, escaneos y capturas de pantalla en datos legibles por máquina. El OCR tradicional se centra en el reconocimiento de caracteres; los modelos multimodales pueden ir más lejos y extraer campos estructurados, traducir contenido y revisar el resultado.
Esta guía compara los principales enfoques, muestra cómo llamar a un modelo con capacidad OCR a través de una API compatible con OpenAI y explica cómo evaluar la precisión antes de comprometerte con un proveedor.
Nota: las interfaces de OCR varían mucho entre proveedores. Este artículo usa enfoques comunes como ejemplo; consulta la documentación oficial o del sitio para los detalles específicos.
1. Tres enfoques de OCR
| Enfoque | Ideal para | Características |
|---|---|---|
| OCR tradicional | Facturas, documentos de identidad, formularios, recibos | Rápido, económico y fiable para diseños fijos |
| LLM multimodal | Diseños complejos, escritura a mano, tareas de comprensión | Flexible, pero más lento y más caro |
| OCR + LLM | Reconocer primero y luego extraer o validar | Equilibra precisión y estructura |
Ningún enfoque es el mejor para todos los documentos. Una plantilla de factura fija y una nota escrita a mano son problemas distintos, y tratarlos como uno solo suele producir costos innecesarios o errores innecesarios. El patrón práctico consiste en ajustar el método al diseño y al valor de los datos extraídos.
2. APIs de OCR tradicional
Los servicios tradicionales suelen aceptar una URL de imagen o una carga Base64 y devolver texto más coordenadas delimitadoras. Son adecuados para:
- Documentos de identidad y licencias comerciales.
- Facturas y recibos.
- Tablas y formularios.
- Plantillas fijas.
Las ventajas son la velocidad y el bajo costo. La limitación es que la precisión baja en diseños complejos, escritura a mano e imágenes de baja calidad. La salida de coordenadas es útil porque permite comparar campos con una plantilla y validar si un valor proviene de la región esperada, en lugar de confiar en un único bloque de texto.
3. OCR con LLM multimodal
Con un modelo con capacidad de visión, envías la imagen y pides texto o JSON directamente:
Lee el texto de la imagen y genera JSON por campo:
{ "nombre": "", "importe": "", "fecha": "" }
Este enfoque sirve para diseños complejos y tareas de comprensión, pero ten en cuenta lo siguiente:
- Límites de tamaño y resolución de imagen.
- La salida puede variar, así que valídala contra un esquema.
- El costo es mayor que el del OCR tradicional.
- Los datos sensibles requieren una revisión de cumplimiento.
Una solución intermedia útil es pedir al modelo tanto el texto sin procesar como los campos estructurados. Cuando ambos no coinciden, tienes una señal para revisión humana en lugar de un error de extracción silencioso.
4. Ejemplo de llamada (compatible con OpenAI)
from openai import OpenAI
client = OpenAI(
api_key="sk-your-key",
base_url="https://ai.zhongshangqihang.com/v1",
)
resp = client.chat.completions.create(
model="gpt-5",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Read the text in the image and output JSON"},
{"type": "image_url", "image_url": {"url": "https://example.com/a.png"}},
],
}
],
)
print(resp.choices[0].message.content)
Que un modelo admita visión, y qué formatos y tamaños de imagen acepta, depende del modelo. Consulta la página de precios de modelos y la documentación del sitio antes de construir un pipeline en torno a un nombre de modelo concreto.
5. Criterios de selección
- Precisión de reconocimiento para texto impreso, escritura a mano e imágenes de baja calidad.
- Compatibilidad de diseño con tablas, recibos y páginas de varias columnas.
- Cobertura de idiomas.
- Formato de salida: texto plano, coordenadas o JSON.
- Límites de latencia y concurrencia.
- Precio, facturado por imagen o por token.
- Condiciones de cumplimiento y retención de datos.
Puntúa cada candidato con tus propios documentos, no con un benchmark genérico. Un proveedor que lidera en escaneos limpios puede quedarse atrás en fotos tomadas en ángulo, y un precio por imagen más económico puede esconder reintentos o una tasa de éxito menor.
6. Cómo medir la precisión
Prepara entre 50 y 100 imágenes reales que cubran:
- Imágenes nítidas y borrosas.
- Fotos rectas e inclinadas.
- Texto impreso y escrito a mano.
- Diseños de una columna, varias columnas y tablas.
Compara la precisión por carácter, la precisión por campo y la tasa de éxito de la salida estructurada. No pruebes solo con las imágenes de demostración del proveedor; esas están elegidas para verse bien. Guarda un pequeño conjunto etiquetado en tu repositorio para poder repetir la comparación cuando cambie un modelo o un prompt.
7. Errores comunes
- Comprimir demasiado las imágenes hasta que el texto se vuelva borroso.
- Perder el orden de lectura de tablas y páginas de varias columnas.
- Esperar buenos resultados con escritura a mano y sellos.
- Tratar la salida JSON de un LLM como estable sin validarla.
- Enviar datos de identificación sensibles sin comprobar las reglas de retención y transfronterizas.
- Comparar solo el precio por imagen e ignorar los reintentos fallidos.
Preguntas frecuentes
¿Cuál es la diferencia entre una API OCR y la visión de un LLM?
El OCR se centra en reconocer texto. Un LLM con capacidad de visión también puede comprender el contenido, extraer campos, traducirlo y comprobar la coherencia.
¿Puedo usarla para facturas y documentos de identidad?
Sí, pero confirma la compatibilidad de diseño, la precisión con tus muestras y el cumplimiento de datos. Para decisiones importantes, mantén un paso de revisión humana.
¿Qué hago si una imagen es demasiado grande?
Comprímela, recórtala o gírala primero, o usa un endpoint que acepte imágenes más grandes. Confirma el límite de tamaño antes de subirla.
Próximos pasos
Si necesitas un único punto de entrada para varios modelos de visión, puedes probar un lote pequeño de imágenes a través de ZSQH AI Gateway. Los nombres de modelo y los precios aparecen en la página de precios de modelos.
Lecturas relacionadas:
