OCR sin subir la imagen: cómo funciona el reconocimiento local (2026)
Casi todas las herramientas de OCR dicen que son privadas. La palabra no cuesta nada. Lo que no es barato, y lo que sí es comprobable, es la arquitectura: si los píxeles llegan alguna vez a salir, y si el código habría podido enviarlos.
Esta es la versión en la que no salen, y así es como está construido realmente — el motor, los archivos de datos, el manifiesto y la única petición de red que es una descarga y no una subida.
Qué tiene que significar la afirmación
«No subir nada» no es una propiedad sino tres, y fallan de forma independiente:
- Capacidad — ¿puede este código llegar a un servidor en absoluto? Un programa sin permiso de red no puede filtrar, cualesquiera que sean sus intenciones.
- Ruta de datos — ¿dónde se ejecuta realmente el reconocimiento? Si corre en un worker dentro de tu navegador, la imagen no tiene a dónde ir a mitad del flujo.
- Residuos — qué se retiene, y dónde? El texto que copiaste también son datos.
Una herramienta puede superar la versión comercial de la afirmación y fallar las tres. Así que cada una de las tres, en orden.
El manifiesto es el contrato
Manifest V3 obliga a una extensión a declarar lo que quiere tocar, y el navegador te muestra esa lista en la página de la tienda. Esta es la lista completa para una extensión de OCR local:
| Declarado | Para qué sirve |
|---|---|
activeTab | Llegar a la pestaña sobre la que acabas de actuar. No a todas las pestañas, y no en silencio. |
contextMenus | Añadir la entrada de clic derecho que inicia el selector. |
scripting | Inyectar la superposición del selector de región bajo demanda. |
storage + unlimitedStorage | Pasar la imagen recortada a la ventana de resultado; conservar el historial y la elección de idioma. |
clipboardWrite | El botón Copiar. |
| Acceso a host: una entrada | El endpoint de licencia de la propia extensión. Ningún sitio está en la lista. |
Dos consecuencias que merecen reflexionarse. Primero, la captura de pantalla proviene de captureVisibleTab, que es una llamada a «los píxeles que están actualmente en esta pantalla» — no es una descarga de las imágenes de la página, y devuelve un data URL que permanece en memoria. Segundo, no hay ningún permiso de host que pudiera recibir ese data URL. Una afirmación de privacidad aquí no es una declaración de política; es un hueco en lo que al código se le permite hacer.
El manifiesto también declara offline_enabled, y la política de seguridad de contenido para las propias páginas de la extensión es script-src 'self' 'wasm-unsafe-eval' — el script remoto sigue rechazándose, y la única palabra clave añadida es el permiso de compilación wasm que necesita el motor empaquetado. Eso es lo que obliga a que el motor esté empaquetado en lugar de cargarse desde una CDN.
El motor vive dentro de la extensión
El reconocimiento es Tesseract.js: el mismo motor LSTM que ejecuta las tuberías de OCR en servidor, compilado a WebAssembly para que pueda correr en tu proceso del navegador.
- La biblioteca, el script del worker y el núcleo compilado — la versión SIMD cuando la CPU la soporta, la versión simple cuando no — se copian al paquete de la extensión en tiempo de compilación y se cargan desde URLs
chrome-extension://. - El reconocimiento en sí se ejecuta en la propia ventana de resultado de la extensión, no en la página que capturaste. Los scripts de la página nunca ven la imagen, y la imagen nunca ve el origen de la página.
- El progreso vuelve a través de un callback de registro que solo mueve la barra de progreso; no hay ningún resultado intermedio que exfiltrar.
Lo que esto te da es una velocidad que se siente en regiones pequeñas y una herramienta que funciona en un avión. Lo que cuesta es el tiempo de arranque en frío: desplegar un núcleo WebAssembly y un modelo de idioma es más lento que un servidor caliente, y por eso una captura de página entera tarda un instante donde una llamada a la nube no lo haría.
Dos idiomas vienen incluidos, siete se descargan
Los datos de idioma son la parte pesada, y es el único lugar donde una petición de red existe por diseño.
- Integrados, gratis, sin conexión para siempre: inglés y chino simplificado. Sus archivos de datos comprimidos están dentro del paquete, en el mismo nivel de modelo que sirve la CDN pública.
- Parte de la licencia: chino tradicional, japonés, coreano, ruso, francés, alemán y español. Elegir uno la primera vez obtiene el paquete de datos de ese idioma desde el repositorio público de datos de Tesseract y lo almacena en caché.
Sé preciso sobre qué es esa obtención. Es un GET de un archivo de modelo. Tu captura no está en él, no puede estar en él, y no hay ningún permiso de host que permitiría que lo estuviera. También es la razón por la que la lista de idiomas Pro no está «completamente sin conexión» de fábrica — la desconexión empieza tras la primera descarga, no antes.
El recorrido de una captura
De principio a fin, con la red en el panorama:
- Pulsas el botón de la barra o eliges la entrada del menú; la superposición se inyecta en la pestaña sobre la que actuaste.
- Arrastras un recuadro. El rectángulo son puras coordenadas de la página — todavía no se ha tomado ninguna imagen.
- La pestaña visible se captura como PNG. Esta es una llamada dentro del navegador, no una descarga.
- El rectángulo se recorta en el worker de fondo con un canvas fuera de pantalla, escalado por la relación entre el bitmap capturado y el viewport: así HiDPI y el zoom de la página caen donde deben, y
devicePixelRatioqueda solo como respaldo si falta el viewport. Aritmética local sobre píxeles que ya te pertenecían. - La ventana de resultado se abre, carga el núcleo integrado y el archivo de datos integrado, y reconoce. Sin peticiones.
- El texto aparece en un recuadro editable. Copiar lo escribe en tu portapapeles; no se envía nada a ninguna parte para hacerlo.
Peticiones en los pasos 1–6: cero, para un idioma integrado. Esa es la propiedad de la que trata el resto de esta publicación.
Dónde se guarda el texto
Dos cosas se escriben en disco, ambas en la propia área de almacenamiento local del navegador para la extensión:
- Historial — cada reconocimiento con éxito se añade al principio de una lista, limitada a 10 entradas gratis y 200 con licencia, y cada entrada guarda como máximo 20,000 caracteres de texto reconocido. Borrarlo es un botón, no un ticket de soporte.
- Ajustes y contadores — el idioma elegido y el conteo de uso del día.
No hay cuenta, así que no hay perfil que construir. La propia imagen recortada se entrega a través de storage para el único paso de abrir la ventana de resultado y se consume al leerse; no es un archivo.
La única petición que sí sale
La red existe para exactamente un propósito: la validación de la licencia. Abrir una página pregunta al endpoint de licencias si la clave almacenada sigue activa, e incluso eso está limitado — dentro de una ventana de dos horas se usa la respuesta guardada en caché y no se hace ninguna petición. Una clave ausente significa cero peticiones, y por eso la vía gratuita no está llamando a casa en secreto.
Si el endpoint está inaccesible y una licencia estaba en caché, la extensión sigue funcionando en lugar de bloquearte; el contador de cuota del día es deliberadamente local por la misma razón. Este es el intercambio que hace toda herramienta «offline-first»: los límites se vuelven cooperativos en lugar de impuestos, y a cambio la herramienta no depende del tiempo de actividad de una empresa para abrir una captura de pantalla.
Cómo comprobar cualquier herramienta de OCR
Las mismas tres preguntas funcionan en cualquier extensión, la nuestra o cualquier otra:
- Lee el bloque de permisos en la página de la tienda. El acceso de host para «
all sites», o un dominio de API de terceros, te revela la arquitectura antes de instalar. - Desconecta la red. Reconoce algo con el Wi-Fi apagado. Texto significa local; una página de error significa que un servidor estaba en el ciclo.
- Pregunta qué se retiene. Busca una lista de historial y un botón de borrado en la propia interfaz de la extensión. Si el historial solo es visible tras iniciar sesión, está en su disco, no en el tuyo.
Una advertencia para no vender humo: local significa que tu máquina aún tiene que ser tuya. Un navegador de empresa gestionado con agentes de endpoint, o una extensión del navegador combinada con una herramienta de sincronización de capturas, cambia del todo el panorama — que el OCR sea local no dice nada sobre qué más está mirando la pantalla.
FAQ
¿La OCR en una extensión del navegador necesita conexión a internet?
No para los dos idiomas integrados. El motor, su núcleo WebAssembly y los archivos de datos de inglés y chino simplificado están empaquetados dentro de la extensión, así que el reconocimiento se completa con la red desenchufada. Un idioma no integrado necesita una descarga de su paquete de datos la primera vez que lo eliges.
¿Puedo comprobar por mí mismo que no se sube nada?
Sí, de dos formas. Abre la página de detalles de la extensión en el navegador y lee sus permisos y accesos a hosts: cualquier cosa que pudiera enviar tu imagen tendría que aparecer ahí como un permiso de host. Luego ejecuta un reconocimiento con la red deshabilitada. Si el texto sigue apareciendo, la lectura ocurrió localmente.
¿Por qué el contador diario gratuito vive en mi máquina en lugar de en un servidor?
Un contador en el servidor te bloquearía cada vez que la red no esté disponible, lo cual contradice una promesa sin conexión. El coste de la opción local es que el límite es una frontera de uso honesto más que una defensa rígida, y que el contador se reinicia en tu propio día de calendario, no a medianoche UTC.
¿La OCR con WebAssembly es tan buena como un servicio en la nube?
Para capturas limpias de tipografía real, están cerca, porque ambos usan la misma clase de modelos LSTM y los mismos datos entrenados públicos. Los servicios en la nube sacan ventaja en fotos con distorsión de perspectiva, escritura a mano y análisis de maquetación de documentos completos. Una captura de pantalla es el caso fácil, y por eso un motor local es un intercambio razonable aquí.
Más guías en el blog de VKT; dudas a [email protected].
