OCR: Extracción de texto
En esta página
Lectura de texto en imágenes
El OCR (reconocimiento óptico de caracteres) es uno de los casos de uso más potentes de Grok Vision. A diferencia de las herramientas tradicionales que solo extraen caracteres, Grok comprende el contexto del texto en la imagen, su maquetación y su significado.
OCR clásico frente a OCR multimodal
Las herramientas de OCR tradicionales (Tesseract, Google Vision OCR, AWS Textract) destacan en la extracción bruta de caracteres. Grok añade una dimensión extra: entiende qué significa el texto dentro del contexto de la imagen.
Por ejemplo, al procesar una factura escaneada, una herramienta de OCR clásica extrae todos los caracteres. Grok también puede:
- Identificar campos (número de factura, fecha, importe total)
- Estructurar los datos en un formato utilizable
- Corregir errores de OCR mediante el contexto
- Interpretar tablas y maquetaciones complejas
Extracción básica
Para una extracción sencilla del texto visible:
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": url_document,
"detail": "high" # Esencial para OCR
},
{
"type": "input_text",
"text": "Extrae todo el texto visible de esta imagen. Conserva la maquetación tanto como sea posible."
}
],
store=False
)
El parámetro detail: "high" es esencial para el OCR. En modo low, el modelo puede omitir texto fino o leer mal ciertos caracteres.
Extracción estructurada de documentos
Para documentos profesionales, solicita una extracción estructurada:
def extraire_facture(image_url):
prompt = """Esta imagen es una factura. Extrae la siguiente
información en JSON:
- "invoice_number": el número de factura
- "date": la fecha de emisión
- "issuer": nombre y dirección del emisor
- "recipient": nombre y dirección del destinatario
- "lines": tabla con columnas [description, quantity, unit_price, total]
- "subtotal": importe sin impuestos
- "vat": importe del IVA
- "total_incl_tax": importe con impuestos
Si un campo no es visible, indica null."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Extracción de tarjetas de visita
def extraire_carte_visite(image_url):
prompt = """Extrae la información de esta tarjeta de visita en JSON:
- "name": nombre completo
- "title": cargo/puesto
- "company": nombre de la empresa
- "email": dirección de correo electrónico
- "phone": número(s) de teléfono
- "address": dirección postal
- "website": URL del sitio web
- "social_media": enlaces a perfiles de redes sociales"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Procesamiento de capturas de pantalla
Las capturas de pantalla son un caso de uso excelente porque suelen contener texto en maquetaciones complejas (menús, barras laterales, ventanas emergentes):
def analyser_screenshot(image_url):
prompt = """Analiza esta captura de pantalla e identifica:
1. La aplicación o sitio web mostrado
2. La página o sección visible
3. Los elementos principales de la interfaz (botones, menús, formularios)
4. Cualquier texto importante mostrado
5. Cualquier mensaje de error o notificación"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Procesamiento de documentos por lotes
Para procesar un gran volumen de documentos, combina el OCR de Grok con una canalización de procesamiento:
import json
async def pipeline_ocr(documents):
resultats = []
for doc in documents:
# 1. Validar la imagen
if not valider_image(doc["chemin"]):
resultats.append({"fichier": doc["chemin"], "erreur": "Imagen no válida"})
continue
# 2. Codificar en base64
image_url = encoder_base64(doc["chemin"])
# 3. Extraer con Grok
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": doc["prompt"]}
],
store=False
)
# 4. Analizar el resultado
try:
data = json.loads(response.output_text)
resultats.append({"fichier": doc["chemin"], "data": data})
except json.JSONDecodeError:
resultats.append({"fichier": doc["chemin"], "texte_brut": response.output_text})
return resultats
Limitaciones del OCR de Grok
- Texto manuscrito: el reconocimiento funciona bien para escritura legible, pero puede fallar con letra cursiva o ilegible
- Idiomas no latinos: la precisión varía según el idioma y la tipografía utilizados
- Imágenes de baja calidad: los escaneos de baja resolución o las fotos borrosas degradan los resultados
- Texto muy pequeño: incluso en modo
high, el texto con una altura inferior a 8 píxeles puede leerse mal
Puntos clave
- Usa siempre
detail: "high"para tareas de OCR - Solicita una extracción estructurada (JSON) para utilizar los datos automáticamente
- Grok va más allá del OCR bruto: comprende el contexto y la maquetación
- Usa
store: falsepara documentos sensibles (facturas, tarjetas de visita) - Valida y preprocesa las imágenes para maximizar la calidad de la extracción