OCR frente a IA: las dos etapas de la traducción en pantalla
Quien usa traducción en pantalla seguramente ha vivido esta confusión: la traducción suena rara, pero no sabes decir dónde está el fallo. ¿La herramienta leyó mal el texto de la pantalla o fue la traducción la que se torció? Cada avería tiene una solución completamente distinta, y en cuanto divides «leer» y «traducir» en dos pasos, el problema queda claro al instante.
La traducción en pantalla son dos pasos, no uno
Mucha gente imagina la traducción en pantalla como una caja negra: entra una imagen, sale una traducción. El flujo real tiene dos fases, y cada una corre a cargo de un componente distinto.
Tomando VoriTrans como ejemplo, la cadena completa funciona así:
- El motor de OCR se encarga de «leer»: convierte en texto editable las letras de la imagen dentro del área que seleccionas; lo que produce es el texto original, por ejemplo un diálogo en japonés como 「宿は右です」. Esta fase solo reconoce caracteres; no entiende el significado.
- El modelo de traducción se encarga de «traducir»: toma el texto que produjo el OCR y lo vierte al idioma de destino que hayas elegido; lo que produce es la traducción. Esta fase solo trabaja con el idioma; no ve la pantalla.
Las dos fases forman una cadena de montaje: la entrada del modelo de traducción es, exactamente, la salida del OCR. De ahí sale una conclusión clave: si el OCR confunde un carácter, ningún modelo de traducción, por potente que sea, podrá traducirlo bien. Basura entra, basura sale: un error aguas arriba llega intacto hasta la traducción.
Primera fase: por qué el OCR sufre más en pantalla
El OCR (reconocimiento óptico de caracteres) no es ninguna novedad: con documentos escaneados ya funciona de sobra. Pero una pantalla es mucho más traicionera que un escaneo, y toda la dificultad está en la «imagen».
Un documento escaneado es una superficie limpia: tinta negra sobre papel blanco, orientación fija, tamaño de letra uniforme. Una captura de pantalla no se le parece en nada: el texto puede ir sobre un fondo degradado, quedar tapado por un bocadillo semitransparente, usar tipografía manuscrita o letras artísticas con contorno, e incluso solaparse con otros elementos de la imagen. El japonés vertical añade otra capa: el OCR debe saber si leer primero la columna derecha o la izquierda, y si se equivoca, las frases salen revueltas.
Por eso la herramienta te deja margen de ajuste. VoriTrans ofrece varios motores de OCR conmutables en sus preferencias, y cada motor se defiende de forma distinta con las letras artísticas y las imágenes de baja resolución; acotar la selección solo a la zona del texto también reduce el ruido visual. Si el reconocimiento no convence, sospecha primero de las condiciones de la imagen y después del motor: en ese orden te ahorras rodeos.
Segunda fase: el modelo de traducción marca el techo
El texto original que sale del OCR pasa al modelo de traducción, y a partir de aquí la calidad empieza a escalonarse.
Hay dos tipos de modelo. Los modelos locales corren en tu propio equipo: responden rápido, no dependen de la red y resuelven con soltura los diálogos cortos, a cambio de una comprensión del contexto limitada: con los dobles sentidos, los memes y los tratamientos del juego, lo local suele pecar de conservador. Los modelos en la nube (grandes modelos como Qwen, DeepSeek o GLM) tienen muchos más parámetros y rinden claramente mejor con frases largas, contexto y tono, a cambio de consumir créditos según el uso.
Conviene subrayarlo: el modelo de traducción no puede compensar los errores del OCR. Si el texto reconocido ya llega con letras que faltan o equivocadas, al gran modelo en la nube le llega una entrada incompleta y la traducción se desvía igual. «Cambiar a un modelo más potente» y «arreglar el reconocimiento» son dos asuntos distintos: no esperes que el primero resuelva lo del segundo.
Dos pasos a la vista: diagnosticar y afinar sin perderse
Entender el reparto de papeles vale sobre todo en el uso: cuando algo falla, localizas la fase; y cuando optimizas, aciertas el tiro.
La interfaz de VoriTrans está diseñada justo sobre esa división: «texto reconocido» y «traducción» aparecen como dos paneles en paralelo, así que el resultado intermedio del reconocimiento se ve directamente. La regla de diagnóstico es sencilla:
- El panel del original ya está mal: el problema está en el OCR. Reduce la selección, cambia de motor de OCR, ajusta la espera hasta que la imagen se estabilice, o añade al glosario una corrección de OCR (palabra original → palabra de reemplazo) para los nombres propios propensos a fallar: surtirá efecto automáticamente en la siguiente traducción.
- El original está bien, la traducción no: el problema está en el modelo. Con textos cortos, traduce una vez con un modelo local y otra con uno en la nube, y compara; si los nombres fijos (personajes, lugares, habilidades) salen inconsistentes, fíjalos con una regla de traducción del glosario.
Un pequeño ejemplo: el nombre del personaje 「ユキ」 a veces se reconocía como 「ユヌ」 y las traducciones se descuadraban con él. Al fijar 「ユキ」 como corrección de OCR en el glosario, la fase de reconocimiento corrige primero las letras y la de traducción lo vierte después de forma uniforme como Yuki. Cada fase arregla lo suyo, sin estorbarse. Esa precisión es justo lo que regala la arquitectura de dos pasos.
Una frontera: el reparto cubre el texto en pantalla
La cadena de dos pasos aplica al texto que se muestra en pantalla. Voz sin subtítulos, llamadas, contenido solo de audio: no hay letras que el OCR pueda leer y, por tanto, nada que el modelo de traducción pueda retomar. No es cuestión de que el modelo sea fuerte o débil: en la entrada directamente no hay nada reconocible.
Entendido esto, el límite de la herramienta queda claro: mientras el texto aparezca en la imagen —diálogos de videojuegos, bocadillos de manga, subtítulos incrustados, interfaces de software— la cadena de dos pasos puede encargarse; si el texto existe solo en el sonido, hace falta otra solución. VoriTrans admite 105 idiomas de destino: la segunda fase de la cadena emite en el idioma que elijas, mientras que el reconocimiento detecta automáticamente el idioma del original.
Preguntas frecuentes
Entre el OCR y el modelo de traducción, ¿cuál falla más?
Depende de la escena. Con una imagen limpia y letra legible, el OCR casi no falla; las letras artísticas, la baja resolución y el texto sobre fondos recargados son el terreno donde el reconocimiento más sufre. Al diagnosticar, mira primero el panel del texto reconocido: solo cuando el original está bien toca juzgar al modelo de traducción.
¿Cambiar a un modelo más potente arregla los errores de reconocimiento?
No. La entrada del modelo de traducción es la salida del OCR: las letras que se perdieron o confundieron aguas arriba pasan tal cual. El orden correcto es arreglar primero el reconocimiento (selección, motor, corrección de OCR) y solo entonces plantearse mejorar el modelo de traducción.
¿En qué fase actúa el glosario?
En las dos. Como «corrección de OCR», corrige las letras que el reconocimiento tiende a confundir; como «regla de traducción», fija la uniformidad de los nombres en la fase de traducción. Una misma entrada solo admite un uso: elige según el problema que quieras resolver.
La próxima vez que una traducción suene rara, no corras a culpar al traductor: abre el panel del texto reconocido y échale un vistazo; en dos segundos sabrás en qué fase está el fallo. Con el reparto de papeles claro, diagnosticar y afinar la traducción en pantalla deja de ser cuestión de adivinar.
