Convertir TIFF a TXT

El reconocedor viene con cuatro modelos de idioma —inglés, alemán, francés y español— y arranca en inglés. Si sueltas un documento en castellano sin tocar esa casilla, no aparece ningún error: sale texto fluido, completo y equivocado, porque el reconocedor busca la mejor coincidencia dentro de un vocabulario que no contiene la respuesta correcta.

Ese es el fallo más frecuente de esta página y el más caro, porque el resultado parece bueno. Las eñes, las tildes y las cedillas son lo primero que se rompe, y las palabras cortas se sustituyen por otras del inglés que se le parecen. Si el valor que se escribe no coincide con ninguno de los cuatro modelos, el reconocedor vuelve a inglés sin decirlo, así que conviene comprobar la casilla y no confiar en que se haya quedado como la dejaste.

Casi nada llega en TIFF por casualidad. Viene de un escáner, de un gestor documental, de un departamento de archivo o de una pasarela de fax, y suele ser papeleo: contratos, correspondencia, partes de siniestro, expedientes, historiales, actas.

Eso cambia cuál es el encargo. Nadie está intentando copiar un párrafo de una foto; alguien está intentando hacer buscable un fondo documental, o sacar texto citable de un archivo, o extraer cifras de una pila de formularios. El volumen es mayor y la exactitud importa más.

Todo lo que hace difícil una foto de móvil está ausente. La hoja está plana contra el cristal, así que no hay perspectiva. La iluminación es uniforme, así que no hay una sombra atravesando el texto. La resolución es conocida y constante. Y un escáner enfoca a la distancia exacta por construcción.

El resultado práctico es que la letra impresa limpia digitalizada a 300 ppp vuelve muy cerca de perfecta. Es una expectativa genuinamente más alta que la que pueden ofrecer las páginas de fotografías de este sitio, y es la razón de que el reconocimiento masivo se haga desde escaneos y no desde imágenes tomadas a mano.

La resolución primero. Por debajo de unos 200 ppp no hay píxeles suficientes por carácter y la exactitud se desploma; 300 ppp es el estándar de trabajo y 600 compensa con letra pequeña o con originales en mal estado.

Después, el propio original. El fax es el peor caso habitual: baja resolución por diseño y a menudo varias generaciones de copia encima. Las copias de calco, el papel térmico desvaído, los documentos con sellos o manuscrito sobre la letra impresa y las tipografías de máquina de escribir con caracteres partidos producen errores. También los produce un escaneo torcido, que conviene enderezar antes del reconocimiento y no después.

Un escáner produce con frecuencia un único TIFF que contiene el documento entero. Aquí solo se lee la primera imagen del archivo, y no existe ningún control de página con el que avanzar, así que un escaneo de diez hojas devuelve el texto de la hoja uno y nada más. Nada anuncia las otras nueve: la salida simplemente se acaba.

Con documentos digitalizados a una hoja por archivo eso no cuesta nada. Con un expediente, la respuesta honesta es que las páginas hay que separarlas antes de traerlas, desde el escáner o desde el sistema que escribió el TIFF. Esta página sirve para los documentos que necesitas leer ahora, no para digitalizar un archivador entero.

Lo que se descarga es exactamente lo que produjo el reconocedor: sin limpieza, sin unir renglones partidos, sin quitar líneas en blanco y sin reordenar nada. No hay cajas delimitadoras, no hay hOCR y no se genera ningún PDF con capa de texto en ninguna parte de este sitio.

La consecuencia se nota en cuanto el documento tiene estructura. Una tabla vuelve como una sucesión de valores sin columnas, un formulario mezcla etiquetas y respuestas de una forma difícil de desenredar, y un texto a dos columnas sale en el orden en que el reconocedor recorrió la página. Cuenta con trabajar sobre el resultado: esta conversión te devuelve las palabras, no la maquetación.

El reconocimiento compara formas contra formas de letra. No entiende el documento y no puede decirte dónde dudó, así que lo que vuelve es texto fluido y de aspecto completo que puede contener errores que nadie ha marcado.

En trabajo de expedientes eso importa más de lo normal. Un dígito mal leído en un número de póliza, en una fecha, en un importe o en una referencia de procedimiento es exactamente el error que sobrevive a una lectura rápida y causa un problema real más adelante. Todo lo que vaya a un sistema, a un escrito o a una cita debería cotejarse contra la página de la que salió.

Aun con el modelo correcto seleccionado, los signos que sobresalen del cuerpo de la letra son los que más sufren en un original desvaído o de baja resolución. La tilde se pierde y «público» se vuelve «publico»; la virgulilla se cae y «año» pasa a «ano»; la diéresis desaparece de «vergüenza». Ninguno de esos casos es un error visible al leer por encima.

La revisión rentable es una búsqueda dirigida en lugar de una lectura completa: busca en el resultado las formas sin tilde de las palabras que sabes que aparecen, y comprueba los nombres propios y los topónimos uno a uno, porque el modelo no los tiene en su vocabulario y los resuelve por parecido gráfico. Diez minutos ahí valen más que releer el documento entero.

Para un archivo, quedarse solo con el texto descarta la imagen de la página, que es el documento en sentido probatorio. Un escaneo vale porque muestra el sello, la firma, el membrete y el estado del papel, y nada de eso cabe en un fichero .txt.

El texto plano es la salida correcta cuando quieres las palabras como palabras: para citar, para indexar, para contar, para meterlas en otro sistema. Conviene decidir cuál de las dos cosas necesitas antes de convertir cien archivos, porque los dos caminos se separan de inmediato y aquí solo existe uno.

Es la confusión más habitual después del idioma. El reconocimiento de este sitio acepta formatos de imagen —JPG, PNG, WebP, AVIF, JXL, GIF, BMP, TIFF, HEIC y HEIF— y el PDF no está en esa lista. Un PDF escaneado no se puede pasar por aquí para sacarle el texto: hay que extraer antes las páginas como imágenes.

Conviene además distinguir dos cosas que se llaman igual. Existe una conversión de PDF a texto que devuelve el texto que el PDF ya lleva dentro, y con un documento digitalizado no devuelve nada porque ahí no hay texto sino una fotografía de la hoja. El camino que funciona es convertir cada página del PDF a imagen y traer esas imágenes aquí, una por una.

Tesseract se ejecuta dentro de la pestaña, y el proceso completo —el trabajador, el núcleo en WebAssembly y el modelo de idioma— se sirve desde este mismo dominio en lugar de descargarse de una red de terceros, que es lo que la biblioteca haría por su cuenta. El modelo queda guardado en el navegador después del primer uso, así que el segundo documento arranca mucho antes que el primero.

No se sube nada, no hay copia en un servidor, ni plazo de conservación, ni cuenta, ni cupo diario. Dado lo que suele haber en estos archivos —contratos firmados, historiales clínicos, escritos judiciales, partes de siniestro—, esa es la diferencia sustantiva frente a un servicio alojado, y de paso elimina la pregunta incómoda de si mandar los documentos de un cliente a un tercero requería el permiso de alguien.

De todos los motores que funcionan aquí, el reconocimiento es con diferencia el más lento: una página densa tarda segundos y no milisegundos, y el trabajo lo hace tu propio procesador. En una tanda grande eso se acumula hasta convertirse en algo que se arranca y se deja correr.

También es el único motor del sitio que puede equivocarse en su respuesta en lugar de limitarse a ser imperfecto: los demás pierden calidad de forma previsible, este devuelve texto con aspecto de texto diga o no lo que decía la página. Merece la pena empezar por dos o tres documentos representativos, comprobar el resultado y solo entonces decidir si la tanda completa vale el rato.