TIFF a texto (OCR)

¿Qué es el OCR de TIFF?

Los escáneres, máquinas de fax y sistemas de imágenes de documentos suelen guardar las páginas como imágenes TIFF. Un TIFF de una carta parece texto, pero para una computadora es solo una cuadrícula de píxeles: no puedes buscar en él, copiar una frase ni pegarla en un documento. El OCR (reconocimiento óptico de caracteres) lo soluciona reconociendo las letras de la imagen y convirtiéndolas en texto real y editable.

Este conversor de TIFF a texto (TIFF से टेक्स्ट) ejecuta OCR en tu navegador con Tesseract, el motor de OCR de código abierto muy usado, desarrollado originalmente en HP y mejorado después en Google. Lee todas las páginas de TIFF de una o varias páginas, admite hindi y otros diez idiomas indios además del inglés, y nunca sube tus escaneos.

Cómo usarlo

1. Elige el idioma impreso en el documento. Para una página que mezcla inglés y hindi, algo común en formularios y facturas del gobierno, elige Inglés + hindi.
2. Suelta el TIFF en el cuadro (PNG y JPG también funcionan). La primera vez se descargan el motor de OCR y los datos del idioma; esto tarda un poco más.
3. Observa la línea de progreso a medida que se lee cada página. El texto aparece en el cuadro página por página.
4. Pulsa Detener en cualquier momento para terminar un trabajo largo; las páginas terminadas se quedan.
5. Copia el texto o descárgalo como .txt y luego revisa nombres, números y fechas.

Idiomas compatibles

Elegir el idioma correcto importa mucho: el OCR usa el conjunto de caracteres y el diccionario del idioma para decidir entre formas parecidas. Leer una página en hindi con inglés seleccionado produce galimatías. Si cambia el idioma, la herramienta vuelve a leer el archivo actual automáticamente.

TIFF multipágina

Los alimentadores de documentos suelen guardar un archivo completo (un contrato de 15 páginas, un conjunto de estados de cuenta, una orden judicial) como un solo TIFF multipágina. Esta herramienta lee hasta 50 páginas en orden e inserta marcadores claros (--- Page 1 ---, --- Page 2 ---) para que siempre sepas dónde empieza el texto de cada página. Las imágenes de vista previa de tamaño reducido que algunos escáneres incrustan se omiten automáticamente, así que no obtienes texto duplicado.

Cómo lograr la mejor precisión

La calidad del OCR depende mucho más del escaneo que del software. Sigue estas pautas para obtener el texto más limpio:

• Escanea a 300 DPI. Por debajo de 200 DPI, las letras pequeñas y las matras de las escrituras indias se vuelven difíciles de reconocer; por encima de 400 DPI rara vez ayuda.
• Mantén las páginas rectas. Las páginas torcidas y los lomos curvos de los libros confunden la detección de líneas.
• Usa buen contraste. El texto oscuro sobre un fondo blanco limpio funciona mejor; las fotocopias desvaídas y el papel de color reducen la precisión.
• Evita sombras y reflejos al fotografiar documentos en lugar de escanearlos.
• Elige el idioma exacto, o inglés + hindi para páginas mixtas.
• Solo texto impreso: la letra manuscrita, las firmas y las fuentes decorativas no se reconocen de forma fiable.

Incluso con un escaneo perfecto, revisa siempre los detalles importantes como nombres, montos, números de cuenta y fechas. El OCR puede confundir formas parecidas: 0 y O, 1 y l, o ि y ी en devanagari.

TIFF de fax y en blanco y negro

Los faxes y muchos escaneos de oficina se guardan como TIFF de 1 bit en blanco y negro comprimidos con CCITT Grupo 3 o 4. Son totalmente compatibles. Los faxes en modo estándar tienen solo cerca de la mitad de líneas por pulgada en vertical que en horizontal (aproximadamente 204 × 98 DPI), lo que hace que las letras se vean aplastadas; la herramienta estira esas páginas de vuelta a las proporciones normales antes de leerlas, lo que mejora notablemente el reconocimiento.

Usos habituales

• Reutilizar documentos antiguos: obtén texto editable de cartas, avisos e informes escaneados en lugar de volver a escribirlos.
• Búsqueda en archivos: extrae texto de registros TIFF para poder indexarlo y buscarlo.
• Papeles legales y del gobierno: extrae texto de órdenes, declaraciones juradas y registros de tierras en hindi o idiomas regionales.
• Contabilidad: copia cifras y referencias de facturas y estados de cuenta escaneados.
• Estudiantes e investigadores: cita pasajes de libros y tesis escaneados.
• Accesibilidad: convierte páginas escaneadas en texto que los lectores de pantalla pueden leer en voz alta.

Cómo se ve la salida

El resultado es texto plano en orden de lectura: líneas de texto separadas por saltos de línea y párrafos separados por líneas en blanco donde el motor los detecta. No se conserva el formato como negritas, tamaños de fuente, columnas ni tablas. En páginas de dos columnas el motor suele leer una columna tras otra, pero los diseños complejos pueden entremezclarse. Si necesitas un documento para compartir que conserve la apariencia original, convierte el TIFF con TIFF a PDF y guarda este texto junto a él. Para contar palabras o caracteres del resultado, pégalo en nuestro Contador de palabras.

Después de la extracción: limpiar el texto

La salida del OCR a veces contiene saltos de línea de más en medio de las frases, porque el motor conserva los finales de línea de la página original. Pega el texto en nuestra herramienta Quitar saltos de línea para unir las líneas en párrafos correctos y luego corrige los caracteres mal leídos. Busca en el escaneo las palabras que más importan (nombres, montos, fechas) y compáralas con cuidado con el texto extraído antes de confiar en él para algo oficial, como una solicitud, una respuesta legal o un asiento contable importante.

Ejemplo resuelto

Una oficina tehsil te dio un registro de tierras escaneado como khatauni.tif: tres páginas en hindi con algunos títulos en inglés. Selecciona Inglés + hindi, suelta el archivo y la línea de progreso muestra «Leyendo página 1 de 3…», luego las páginas 2 y 3. El cuadro se llena con el texto en hindi y las etiquetas en inglés, separados por marcadores de página, y la línea de estado informa aproximadamente cuántas palabras se encontraron. Cópialo a un documento, corrige los números de khasra o los nombres mal leídos comparándolos con el escaneo y tendrás una versión editable sin volver a escribir tres páginas.

TIFF a texto vs Imagen a texto vs OCR PDF

Las tres usan el mismo motor Tesseract y los mismos datos de idioma, así que la precisión es similar; la diferencia es el tipo de archivo que acepta cada una: TIFF, una foto o captura de pantalla, o un PDF escaneado.

Privacidad: tu escaneo se queda en tu dispositivo

Los documentos escaneados suelen contener datos sensibles: números de Aadhaar y PAN, direcciones, información bancaria, historial médico. Muchos servicios de OCR en línea suben tu archivo a sus servidores. Aquí, el TIFF se decodifica y el OCR se ejecuta dentro de la pestaña de tu navegador con Tesseract.js, una versión WebAssembly del motor Tesseract. Lo único que se descarga es el propio motor y los datos del idioma, obtenidos una vez de una CDN pública; tu imagen nunca se envía a ningún lado y no se guarda nada después de cerrar la página.

Velocidad y límites

El OCR es computacionalmente pesado. Una página A4 típica a 300 DPI tarda unos segundos en una laptop moderna y más en un teléfono; las escrituras indias suelen tardar un poco más que el inglés. Los archivos pueden pesar hasta 200 MB con hasta 50 páginas cada uno; para documentos más largos, divídelos primero. La primera ejecución de una sesión incluye la descarga única del motor y del idioma elegido (unos pocos megabytes), y cambiar de idioma descarga los datos de ese idioma.

Solución de problemas

• Símbolos aleatorios en lugar de palabras: se seleccionó el idioma equivocado; elige el idioma del documento y volverá a leer automáticamente.
• «No readable text found»: el escaneo puede ser demasiado tenue, borroso o de baja resolución. Vuelve a escanear a 300 DPI con mejor contraste.
• El motor no se descarga: revisa tu conexión a internet, o permite cdn.jsdelivr.net si un filtro de red lo bloquea.
• Las columnas salen mezcladas: los diseños complejos confunden el orden de lectura; recorta la página en columnas como imágenes separadas.
• Muy lento en un teléfono: usa una computadora para escaneos multipágina largos.

Funciona en cualquier dispositivo

Funciona en las versiones actuales de Chrome, Edge, Firefox y Safari en Windows, macOS, Linux, Android e iPhone, sin nada que instalar. Incluso puedes pegar una captura de pantalla o imagen desde el portapapeles en lugar de elegir un archivo.

Glosario rápido

• OCR: reconocimiento óptico de caracteres: convertir imágenes de texto en texto.
• Tesseract: un motor de OCR de código abierto líder; Tesseract.js lo ejecuta en el navegador.
• Datos de idioma: el modelo entrenado para un idioma, que se descarga una vez al usarlo por primera vez.
• TIFF multipágina: un archivo TIFF que contiene varias páginas escaneadas.

¿Por qué usar esta herramienta?

Lee todas las páginas de los escaneos TIFF, admite hindi y los principales idiomas indios, maneja archivos de fax, funciona sin subir nada y no cuesta nada. Herramientas relacionadas: Imagen a texto, OCR PDF y PDF a texto.

TIFF a texto (OCR): datos clave

Preguntas frecuentes

Explora más herramientas de Prompt Minds

TIFF a texto (OCR) funciona muy bien junto con nuestras otras herramientas gratuitas. Todas las herramientas de Prompt Minds se ejecutan por completo en tu navegador: sin registro, sin subir archivos, sin marcas de agua. Ver todas las herramientas gratuitas.