Todo aquello para lo que la gente usa el OCR de verdad

El caso de todos los días. Alguien te mandó un escaneo o un PDF bloqueado y ahora tienes que editarlo, rellenarlo, traducirlo o reutilizar la mitad. No quieres el texto: quieres el mismo documento, pero editable.

• Columnas, tablas, sangrías e imágenes se quedan donde estaban
• Sin cuadros de texto flotantes que revientan en cuanto escribes
• Tipografías y espaciado conservados, no sustituidos
• Funciona con fotos de páginas, no solo con escaneos limpios

Buena parte de la demanda de conversión en persa no son escaneos. Son PDF digitales hechos con herramientas antiguas cuyo texto se convierte en letras sueltas y sin sentido en cuanto lo copias. Hay quien fotografía una página perfectamente legible solo para recuperar un texto que se pueda leer.

• Leemos la página tal como está impresa en vez de fiarnos de una capa de texto corrupta
• Los medios espacios se reconstruyen midiendo, no adivinando
• Dígitos y puntuación persas conservados con exactitud
• Más rápido y más barato que fotografiar las páginas una a una

Convierte años de exámenes anteriores en preguntas editables y reordenables —con sus ecuaciones, sus figuras geométricas, la disposición de las opciones, las claves de respuesta y los criterios de calificación intactos— para recombinarlas en exámenes nuevos y etiquetarlas por tema.

• Las ecuaciones se convierten en ecuaciones de Word reales y editables
• Figuras redibujadas como formas vectoriales que un docente puede ajustar
• La numeración de las preguntas se reproduce tal y como está impresa
• JSON por pregunta, opcional, para alimentar un banco de ítems

Los apuntes de ingeniería y de ciencias son lo más caro de volver a teclear, porque quien transcribe cobra aparte cada fórmula y cada tabla. Ahí es donde se concentra el costo manual.

• Cada fórmula se compila para demostrar que es válida antes de entregarla
• Tablas reconstruidas como tablas de verdad, no como imágenes
• Persa e inglés mezclados, resueltos en una sola pasada
• Se conservan los límites de página para que las referencias a la clase sigan sirviendo

Estados financieros, certificados de calificaciones, listas de precios, resultados de laboratorio, planillas censales: la tabla es lo único que importa, y es justo lo que el OCR genérico aplasta.

• Celdas combinadas y tablas de varias páginas reconstruidas
• Se conservan los dígitos originales: persas, arábigo-índicos o latinos
• La alineación de las columnas se usa como evidencia, no como adorno
• Nivel de confianza por celda, para que sepas qué revisar

Una traducción oficial tiene que reflejar la página original: los mismos sellos, la misma tabla de calificaciones, los mismos bloques de firma. Hoy los traductores rehacen esa maquetación a mano antes de poder empezar a traducir.

• Una réplica visual con el texto editable, lista para traducir sobre ella
• Tablas de calificaciones densas, con dígitos persas, reproducidas con exactitud
• Sellos y logotipos colocados como recortes limpios
• Correspondencia página por página para la certificación

En estos campos el número de página no es un adorno: es una condición de validez, porque se cita por tomo y página. Un texto que pierde sus límites de página no le sirve de nada al investigador que necesita citarlo.

• Tomo, página y línea conservados como coordenadas citables
• Los diacríticos se reproducen tal cual: nunca se añaden ni se pierden
• Las formas de letra árabes y persas nunca se convierten en silencio
• Las notas al margen se conservan como anotaciones vinculadas, no se funden con el cuerpo del texto

Transcribir material manuscrito cuesta entre diez y veinte veces más que transcribir material impreso, y no existe ninguna herramienta comercial seria para las letras manuscritas del persa o del árabe. Es el hueco más grande de todo el mercado.

• Dos lecturas independientes, con cada discrepancia a la vista
• Las zonas dudosas se marcan para que las vea una persona; no se inventan
• Coordenadas línea a línea que remiten a la imagen original
• Aparato crítico como resultado cuando aportas dos testimonios

Danos dos escaneos del mismo texto y recibe sus diferencias como aparato crítico. Las herramientas de cotejo que existen están hechas para el alfabeto latino y segmentan mal la escritura árabe.

• Diferencias palabra por palabra, con siglas de variantes
• Segmentación y normalización pensadas para la escritura árabe
• Un aparato editable como resultado, no un volcado de diferencias
• Cada variante enlaza con las dos imágenes de origen

Un libro descatalogado solo existe en papel o como un escaneo plano. Para reeditarlo necesitas recuperar el diseño de la página en forma editable, que es exactamente lo que los talleres de composición cobran a varios dólares por página por rehacer.

• El diseño de página se conserva para la imprenta; la estructura, para el libro electrónico
• Figuras redibujadas en vectores para que impriman nítidas
• Puntuación de fidelidad por página, para saber dónde mirar
• Muy por debajo del precio por página de un taller de composición

Este es el único caso en el que la fidelidad de página es la respuesta equivocada. Los lectores ciegos necesitan texto adaptable y limpio, con etiquetas de idioma correctas, y en persa un medio espacio mal puesto hace que el lector de pantalla pronuncie mal la palabra.

• Estructura adaptable, con títulos reales y un orden de lectura correcto
• Las matemáticas como MathML, no como una imagen con texto alternativo
• El espaciado del persa corregido para la pronunciación, no para la estética
• Con fecha límite: en la Unión Europea las normas ya están en vigor

Los sistemas de recuperación son hoy el mayor comprador nuevo de lectura fiel a la maquetación, porque un chatbot que no puede decir de qué página sacó su respuesta no sirve en un entorno regulado.

• Markdown limpio, con un árbol de documento real
• Cajas delimitadoras y anclas de página en cada bloque
• Tablas en HTML para que sobrevivan a la fragmentación
• Citas que resuelven en la región exacta de la página

Cada vez más tribunales exigen una capa de texto buscable de verdad para la presentación electrónica, y una palabra que se escapa en la fase de prueba es un documento perdido. Aparte, pasar a Word el contrato escaneado de la otra parte para marcarlo es una tarea diaria en sí misma.

• PDF con texto buscable y una capa de texto invisible exacta
• El escaneo original intacto por debajo
• Contratos escaneados convertidos en Word limpio y listo para marcar cambios
• Texto anclado a la página para poder señalar una línea concreta

Las organizaciones con salas llenas de papel necesitan poder buscarlo y recuperarlo, con trazabilidad para auditoría; no convertirlo en otra cosa.

• Procesamiento por lotes de estanterías enteras, reanudable
• PDF con texto buscable, más ALTO y METS según el estándar bibliotecario
• Se ejecuta dentro de tu propia red cuando los documentos no pueden salir
• Informe de verificación por página para el expediente de auditoría

La maquetación a dos columnas, las notas al pie, los encabezados corridos y las tablas de resultados de varias páginas son justo donde la extracción corriente se desmorona sin avisar, y donde los investigadores siguen copiando cifras a mano.

• Orden de lectura correcto entre columnas y notas al pie
• Tablas de resultados extraídas como tablas, listas para analizar
• Ecuaciones en LaTeX o como ecuaciones editables de Word
• Listas de referencias intactas y procesables

Páginas densas a varias columnas en las que un artículo rodea a otros tres. La zonificación por artículo es lo que convierte un archivo escaneado en un archivo que de verdad se puede consultar.

• Zonificación por artículo, no solo texto por página
• Titulares, firmas y pies de foto etiquetados
• Salida en ALTO y METS según el estándar bibliotecario
• Texto masivo para API de investigación

Las agencias de transcripción no son solo competencia: son un canal de distribución. Ya tienen los clientes y los plazos; lo que no tienen es nada que resuelva tablas y fórmulas sin una persona delante.

• API y carga por lotes para trabajos completos
• Las correcciones que acumulas se convierten en tus reglas privadas
• Resultado de marca blanca, sin ninguna marca nuestra
• Precios por volumen, con facturación mensual

Las organizaciones necesitan constantemente recuperar en forma editable el pliego de licitación, el formulario o el procedimiento del año pasado, con los recuadros, las líneas y la numeración exactamente como estaban.

• Recuadros, líneas y campos sombreados reproducidos
• Los esquemas de numeración se mantienen tal y como están impresos
• Si quieres, convertidos en campos rellenables
• Un estilo de casa uniforme en todo un departamento

Partidas de registro, escrituras de fundación, cartas antiguas y papeles de familia: casi siempre manuscritos, muchas veces la única copia, y la razón por la que alguien acaba escaneando una caja del desván.

• La escritura a mano se trata dejando la incertidumbre a la vista
• La imagen original se conserva junto a cada transcripción
• Búsqueda en toda una colección
• Nada inventado donde la página es ilegible

Un libro de trescientas páginas se sube una vez y se procesa página por página, con una vista en vivo de cuáles están listas y cuáles necesitan un segundo vistazo.

• Reanudable: si se corta la conexión, el libro no vuelve a empezar
• Puntuación de fidelidad por página y una cola con las páginas marcadas
• Asignación de revisores para las páginas que necesitan ojos humanos
• Un único certificado de conformidad para todo el trabajo