Benchmark de reconocimiento de escritura a mano con 14 LLMs y OCRs

Las herramientas OCR alcanzan más del 99 % de precisión en texto mecanografiado en imágenes de alta calidad. Sin embargo, la escritura a mano sigue siendo un reto debido a las variaciones de estilo, espaciado e irregularidades. Presentamos un benchmark de reconocimiento de escritura cursiva con 100 muestras de escritura a mano escritas por nuestro equipo para evitar el sobreajuste.

Resultados del benchmark de escritura cursiva

En este benchmark, GPT-5, Gemini 3 Pro Preview y olmOCR-2-7B-1025-FP8 son los modelos con mejor rendimiento, logrando las puntuaciones más altas de similitud semántica y la interpretación más consistente del texto cursivo en todas las muestras.

En 100 muestras de escritura cursiva escritas por 10 escritores, Gemini 3 Pro Preview logró una puntuación perfecta, mientras que Deepseek OCR registró 79 %.

Los nombres completos de los productos se indican a continuación; los acortamos en el gráfico.

• GPT-5
• Gemini 3 Pro Preview
• Gemini 2.5 Pro
• olmOCR-2-7B-1025-FP8
• Moondream OCR
• Claude Sonnet 4.5
• Nanonets-OCR2-3B
• Dots OCR
• Azure Cognitive Service
• Google Vision
• Mistral OCR
• PaddleOCR-VL
• Amazon Textract
• Deepseek OCR

Metodología del benchmark de escritura cursiva

Para este benchmark, 10 escritores escribieron a mano 10 párrafos cada uno en cursiva, lo que dio como resultado un dataset de 100 muestras de escritura cursiva. No se pidió a los escritores que escribieran con esmero. La conectividad natural de las letras, la variabilidad del trazo, la distorsión del espaciado y la fluidez de las líneas se preservaron intencionadamente para reflejar la complejidad realista de la cursiva.

El dataset incluye:

• Inclinación variable, presión del trazo y patrones de ligaduras
• Texto mezclado con números, puntuación y mayúsculas
• Diversas resoluciones de imagen y fondos para garantizar la robustez

Todas las muestras se evaluaron mediante nuestro pipeline unificado de evaluación OCR, basado en la similitud del coseno para una comparación justa.

Imagen escaneada de ejemplo:

¿Qué es el reconocimiento de escritura a mano?

El reconocimiento de escritura a mano, también conocido como OCR de escritura a mano o OCR cursiva, es un subcampo de la tecnología OCR que traduce letras manuscritas al texto digital o comandos correspondientes en tiempo real. Para realizar esta tarea, estos sistemas se benefician del reconocimiento de patrones para identificar diversos estilos de letras manuscritas. Wikipedia define el reconocimiento de escritura a mano como:

La capacidad de una computadora para recibir e interpretar entradas manuscritas inteligibles de fuentes como documentos en papel, fotografías, pantallas táctiles y otros dispositivos.

Las capacidades de reconocimiento de escritura a mano de los LLM también están muy desarrolladas; en nuestro benchmark, gemini-3-pro es 100 % preciso.

¿Qué incluye la escritura a mano?

Por escritura a mano nos referimos a textos escritos en forma de imprenta y cursiva. Los textos en estilo de imprenta son más fáciles de reconocer, ya que los caracteres se escriben por separado como letras de molde. Sin embargo, la escritura cursiva implica caracteres unidos a medida que se escriben.

Este aspecto exige que las herramientas de reconocimiento de escritura a mano perciban correctamente cada carácter por separado y los identifiquen con precisión. A continuación se muestran ejemplos de escritura en imprenta y cursiva.

Fuente: Quora¹

Las herramientas de reconocimiento de escritura a mano también pueden identificar la escritura en pantallas digitales. Este tipo de escritura puede rastrearse a medida que se escribe. El software puede aprovechar tu movimiento dinámico para ofrecer resultados más precisos. A continuación se muestra un ejemplo de reconocimiento de escritura digital, proporcionado por Microsoft Azure Ink Recognizer API. 

¿Cuáles son los retos de convertir la escritura a mano en texto?

Aunque las herramientas OCR tradicionales llevan en el mercado desde los años 70s, todavía no hay muchas herramientas que puedan gestionar el reconocimiento de escritura a mano. Como cada persona tiene su propio estilo de escritura, las herramientas OCR tradicionales no pueden percibir la escritura de todos.

Además de la tecnología de visión artificial, se requieren algoritmos de aprendizaje profundo muy complejos para identificar con éxito todas estas variaciones. A continuación se presenta una lista de retos que las herramientas de reconocimiento de escritura a mano encuentran con frecuencia:

Retos

• Calidad de la imagen: El texto manuscrito a menudo se captura con baja resolución o iluminación deficiente. Las páginas pueden incluir manchas, sombras o borrones que actúan como ruido de fondo.
• Variedad de estilos de escritura: Cada individuo tiene una forma única de escribir. Las diferencias en alfabetos, formas de letras y tamaños de caracteres dificultan el reconocimiento.
• Texto inclinado: Las líneas manuscritas rara vez son perfectamente rectas. Las palabras pueden inclinarse, curvarse o incluso aparecer en ángulos inusuales.
• Caracteres conectados: En la escritura cursiva o rápida, las letras y los símbolos suelen unirse, lo que dificulta separarlos.
• Degradación: Los documentos antiguos o muy utilizados pueden tener tinta descolorida, amarilleamiento o daños en la página, lo que reduce la claridad del texto.

Soluciones

Las herramientas HTR modernas combinan visión artificial con aprendizaje profundo para superar estos retos. Estos enfoques van más allá del OCR tradicional, que existe desde la década de 1970 pero todavía tiene dificultades con la escritura a mano. Hoy en día, se está avanzando mediante:

• Mejorar la calidad de entrada: Capture o escanee documentos con mayor resolución y mejor iluminación.
• Limpieza del fondo: Utilice técnicas de aprendizaje automático o fotografía para eliminar el ruido y mejorar la claridad.
• Algoritmos de reconocimiento avanzados: Aplique modelos de aprendizaje profundo diseñados para manejar estilos de escritura variados, alfabetos y letras conectadas.
• Corrección de inclinación: Utilice herramientas de procesamiento de imágenes para detectar y corregir texto inclinado o rotado.
• Diseño compatible con OCR: Cuando sea posible, cree formularios y documentos que sean fáciles de procesar para las herramientas OCR.

Preparación para convertir notas manuscritas

Hay una variedad de factores a tener en cuenta al diseñar documentos. El más importante son los datos que se van a capturar de los documentos. Dado que hay diferentes formas de representar el mismo tipo de datos, debe considerar la velocidad, la precisión y la facilidad de uso de cada opción al construir su documento.²,³,⁴

1. Escaneo y preprocesamiento

• Asegure un escaneo claro: Utilice un escáner o una aplicación específica para crear una imagen de sus notas de alta resolución y bien iluminada.
• Binarización: Convierta la imagen escaneada a blanco y negro para mejorar el contraste y hacer que el texto se distinga más del fondo. 

Fuente: Datacap.hk

• Eliminación de ruido y corrección de inclinación: Aplique filtros para eliminar marcas sueltas o sombras y corrija cualquier inclinación del documento. Evite fondos de colores. Aproveche los elementos de alineación para evitar documentos inclinados.

2. Técnicas de segmentación

La segmentación es el proceso de dividir la imagen en componentes más pequeños y manejables, como líneas de texto, palabras y caracteres individuales. Para garantizarlo, las empresas pueden utilizar métodos de segmentación, que se muestran a continuación.

Fuente: How OCR Works⁵

• Segmentación de líneas de texto: Es un requisito previo para otras tareas y consiste en separar el documento en líneas de texto individuales. Mantenga los datos dentro de los márgenes.
• Segmentación de palabras y caracteres: Tras la segmentación de líneas, puede dividir aún más las líneas en palabras individuales y luego caracteres, lo que es crucial para un reconocimiento de texto preciso. 
• Uso de herramientas avanzadas de IA: Las herramientas impulsadas por IA como Transkribus pueden realizar automáticamente una segmentación sofisticada de texto y diseño para notas complejas. 

3. Incorporación de casillas de verificación para facilitar la digitalización

• Casillas preimpresas: Si sabe que va a digitalizar sus notas, dibuje o imprima casillas de verificación claramente en la página, asegurándose de que sean lo suficientemente grandes para que el software OCR las reconozca fácilmente. 
• Formato claro: Asegúrese de que las casillas de verificación no estén demasiado cerca del texto al que están asociadas y tengan suficiente contraste con el papel. 
• Aproveche el OCR impulsado por IA: Las herramientas pueden entrenarse para reconocer estas casillas de verificación, lo que permite un procesamiento y una extracción más sencillos de la información marcada o no marcada. 
• Estandarice: Utilice el mismo tipo de casilla de verificación y estilo en todas sus notas para mantener la coherencia. 

4. Uso del software OCR 

• Aplicar OCR: Una vez escaneadas y segmentadas las notas, utilice software de reconocimiento óptico de caracteres (OCR) para convertir las imágenes del texto en texto digital legible por máquina.
• Posprocesamiento: Revise el texto digitalizado en busca de errores, especialmente en zonas con escritura a mano compleja o diseños inusuales.

¿Existe investigación activa sobre el reconocimiento de escritura a mano?

Dado que la capacidad de reconocimiento de escritura a mano depende en gran medida de las redes neuronales, los avances en estos algoritmos afectan profundamente al rendimiento de las herramientas de reconocimiento de escritura a mano. Por lo tanto, la investigación activa sobre el reconocimiento de escritura a mano se basa en algoritmos de redes neuronales.

La investigación de Google sobre el reconocimiento de escritura a mano comienza con varios pasos de entrenamiento:

• Introducción de todos los caracteres posibles de diferentes alfabetos
• Entrenamiento de la herramienta para segmentar cada carácter en un texto
• Entrenamiento de la herramienta para la extracción de características con el fin de identificar caracteres con precisión

Google también utiliza algoritmos de procesamiento del lenguaje para mejorar el rendimiento del reconocimiento de escritura a mano. Por ejemplo, si la herramienta necesita decidir entre "i" y "l", puede analizar la palabra completa y decidir el carácter adecuado para proporcionar resultados precisos.

El software OCR suele tener varios motores de reconocimiento de escritura a mano integrados en el software. Estos motores trabajan de forma sincronizada para generar la representación de caracteres más precisa correspondiente a la entrada.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Proveedores de reconocimiento de escritura a mano

Dado que el reconocimiento de escritura a mano es un subcampo del OCR, los criterios para elegir el reconocimiento de escritura a mano adecuado son similares a los de las herramientas OCR. Al seleccionar un proveedor de reconocimiento de escritura a mano, debe tener en cuenta los siguientes factores:

• Precisión del reconocimiento de caracteres
• Capacidades de aprendizaje continuo
• Velocidad de cálculo en caso de que los resultados deban entregarse en tiempo real
• Facilidad de uso de la interfaz, si la interfaz va a ser utilizada por humanos

Además de estos, son esenciales las mejores prácticas de adquisición, como garantizar un coste total de propiedad (TCO) mínimo, flexibilidad, mejores prácticas de seguridad de datos y evitar la dependencia de un proveedor.

A continuación encontrará una breve lista de proveedores de escritura a mano. También debe tener en cuenta que estos proveedores también pueden ofrecer servicios OCR para su empresa.

• Abbyy
• Google Cloud Vision API
• Hanvon (Hanwang Technology)
• Infrrd.ai
• MicroBlink
• Microsoft Azure Read API
• Mitek
• MyScript
• Selvasai
• Unitek.ai

Preguntas frecuentes

Si desea leer más sobre las herramientas de reconocimiento de escritura a mano, estos artículos también pueden interesarle:

• Estado actual del OCR: ¿Es un problema resuelto?
• OCR Benchmark: precisión de extracción/captura de texto
• Documentación de automatización de pruebas con mejores prácticas 

Cita este benchmark

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
  title  = {{Benchmark de reconocimiento de escritura a mano con 14 LLMs y OCRs}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Recuperado el 25 de Agosto de 2026}
}

Registro de cambios

8 actualizaciones

Todas8General6Metodología2

1. 202622 de Ene

   Se eliminó la sección de evaluación comparativa de escritura a mano de manuscritos.

2. 20254 de Dic

   Eliminada la API de Azure Ink Recognizer de la lista de fuentes.

3. 27 de Nov

   Se añadió una sección de Resultados de la Evaluación Comparativa de Escritura Cursiva.

4. 27 de Nov

   Eliminadas las muestras de escritura cursiva de la metodología.

5. 16 de Sep

   Se actualizó la introducción a la sección de Resultados de Benchmark con nuevos datos.

6. 23 de Ene

   Se eliminó la comparación de resultados con la distancia coseno de la metodología.

7. 202424 de Oct

   Se añadió una sección de Resultados de la Comparativa, incluyendo una lista de productos líderes y una subsección de Metodología.

8. 20231 de Dic

   Se añadió Abbyy a la lista de proveedores de reconocimiento de escritura a mano.

Enlaces de referencia

1.

When you write, do you print or use cursive? - Quora

2.

Enhanced Hybrid Technique for Efficient Digitization of Handwritten Marksheets

3.

Page restricted | ScienceDirect

4.

Preprocessing Techniques for Online Handwriting Recognition | Springer Nature Link

Springer Berlin Heidelberg

5.

Putting the Hardware to Work | How OCR Works

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017.

El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]

A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Investigado por

Ezgi Arslan, PhD.

Analista de la industria

Síguenos

Ezgi tiene un doctorado en Administración de Empresas con especialización en finanzas y se desempeña como Analista de la Industria en AIMultiple. Impulsa la investigación y los conocimientos en la intersección de la tecnología y los negocios, con experiencia en sostenibilidad, análisis de encuestas y de sentimiento, aplicaciones de agentes de IA en finanzas, optimización para motores de respuestas, gestión de cortafuegos y tecnologías de adquisiciones.

Ver perfil completo

Comentarios 4

Comparte tus ideas

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario

Swanidhi Singh

Aug 07, 2025 at 00:28

Exactly what I was looking for. Thank you!

Responder

Sara

Sep 22, 2021 at 06:40

Hi Cem, your article is very clear and practical. Thank you for sharing your knowledge! It will be very useful for me.

Responder

Vivienne

Feb 10, 2021 at 00:03

See Transkribus from readcoop for handwritten text recognition for cursive writing.

Responder

Leonard

Dec 10, 2020 at 11:08

Which service or software would you recommend in this case: - manuscript/diary 100s of pages written by one author - other language than English (German in this case) I need the software to learn my handwriting, that is not in English and preferably with a good tool to correct all the error.

Responder

Cem Dilmegani

Dec 12, 2020 at 19:54

Thank you for reaching out. You can try Google Cloud Vision. It is not bad at handwriting recognition and is free to try. I don't know if it can get user feedback to improve its models. Let us know if you find that functionality.

Responder