Tesseract OCR sigue siendo el motor de reconocimiento óptico de caracteres de código abierto más utilizado para extraer texto de imágenes o documentos escaneados. Su instalación en Windows parece simple a primera vista, pero varios detalles técnicos – variable de entorno, elección de versión, seguridad de los modelos de idioma – condicionan el buen funcionamiento del software y la fiabilidad de los resultados.
Vulnerabilidad CVE-2026-73067: por qué la versión de Tesseract es lo más importante
Antes incluso de lanzar un instalador, la primera verificación se refiere a la versión del binario. Desde agosto de 2026, las versiones de Tesseract anteriores a 5.5.3 están afectadas por la vulnerabilidad CVE-2026-73067, un defecto de tipo heap out-of-bounds read que se activa al cargar un archivo .traineddata malicioso a través de TessBaseAPI::Init.
En la práctica, un modelo de idioma corrupto puede provocar un fallo del proceso incluso antes de procesar la más mínima imagen. En un puesto de trabajo aislado, el riesgo parece limitado. En un servidor de producción o en una cadena CI/CD que procesa documentos entrantes, la superficie de ataque se vuelve real.
La solución es directa: instalar Tesseract en la versión 5.5.3 o superior. Si ya tiene una versión más antigua, el comando tesseract --version en un terminal le confirmará el número exacto. Cualquier versión inferior justifica una actualización inmediata. Un tutorial detallado permite instalar Tesseract OCR en Windows siguiendo cada paso desde la descarga del ejecutable correcto.
Descargar el instalador de Tesseract OCR para Windows 64 bits
Los binarios de Windows de Tesseract son mantenidos por la universidad de Mannheim (UB Mannheim) y distribuidos en su repositorio de GitHub. Se ofrecen dos formatos: un instalador de 64 bits y un instalador de 32 bits. Casi todas las máquinas Windows actuales funcionan en 64 bits, por lo que es el archivo tesseract-ocr-w64-setup el que se debe recuperar.
Una vez descargado el archivo .exe, el asistente de instalación se inicia en unos pocos clics. La pantalla de selección de idioma se refiere a la interfaz del instalador, no a los idiomas de reconocimiento. Este punto crea regularmente confusión entre los usuarios que piensan que están configurando el francés en esta etapa.
Selección de componentes y modelos de idioma
El paso determinante del instalador es la selección de componentes. Por defecto, solo el modelo de idioma inglés (eng.traineddata) está marcado. Para reconocer texto en francés, es necesario desplegar la jerarquía de idiomas adicionales y marcar explícitamente el paquete de idioma francés (fra.traineddata).
Cada modelo de idioma añade unos megabytes. No es necesario marcar todo: seleccione únicamente los idiomas que necesita. Un directorio tessdata sobrecargado de modelos no utilizados ralentiza la carga inicial y amplía la superficie de exposición a la vulnerabilidad mencionada anteriormente.
Elección del directorio de instalación
El instalador propone una ruta por defecto, generalmente C:Program FilesTesseract-OCR. Esta ruta es adecuada en la mayoría de los casos. Modificar este directorio no plantea problemas en sí, pero será necesario reflejar exactamente la nueva ruta en la variable de entorno PATH, lo que es una fuente de errores frecuentes.
Configurar la variable PATH y TESSDATA_PREFIX en Windows
La instalación del binario no es suficiente. Para que el comando tesseract sea reconocido desde cualquier terminal (PowerShell, cmd, terminal integrado de VS Code), el directorio de instalación debe figurar en la variable de entorno PATH.
El procedimiento pasa por los parámetros del sistema avanzados de Windows:
- Abrir el menú Inicio, buscar “variables de entorno” y hacer clic en “Modificar las variables de entorno del sistema”
- En la pestaña “Avanzado”, hacer clic en “Variables de entorno”, luego seleccionar la variable
Pathen la sección de usuario o sistema - Agregar una nueva entrada con la ruta completa del directorio Tesseract, por ejemplo
C:Program FilesTesseract-OCR - Crear una variable
TESSDATA_PREFIXapuntando al subdirectoriotessdata(por ejemploC:Program FilesTesseract-OCRtessdata) para que Tesseract localice sus modelos de idioma
Después de la modificación, cualquier terminal ya abierta debe cerrarse y volverse a abrir para tener en cuenta las nuevas variables. Este es un olvido clásico que conduce a mensajes de error del tipo 'tesseract' no se reconoce como un comando interno.
Asegurar el directorio tessdata después de la instalación
La vulnerabilidad CVE-2026-73067 hace que este paso sea menos anecdótico de lo que parece. Las recomendaciones de seguridad publicadas en torno a esta falla insisten en varias medidas concretas:
- Limitar las fuentes de modelos .traineddata a repositorios de confianza, idealmente los repositorios oficiales del proyecto Tesseract en GitHub
- Restringir los permisos del directorio
tessdataa solo lectura para las cuentas de servicio, con propiedad reservada a la cuenta de administrador - Verificar la integridad de los archivos de modelos descargados a través de huellas SHA-256 antes de colocarlos en el directorio
En un puesto de desarrollo personal, estas precauciones son parte de las buenas prácticas. En una máquina expuesta a archivos entrantes no controlados (servidor de escaneo, pipeline de procesamiento documental), se convierten en una necesidad operativa.
Verificar la instalación de Tesseract OCR desde la línea de comandos
Una vez configurado el PATH y reiniciado el terminal, la verificación se reduce a dos comandos. El primero, tesseract --version, debe devolver un número de versión igual o superior a 5.5.3. El segundo, tesseract --list-langs, muestra los idiomas efectivamente disponibles en el directorio tessdata.
Si el comando de versión funciona pero --list-langs no devuelve nada o solo eng, el problema proviene de un modelo de idioma no marcado durante la instalación o de una variable TESSDATA_PREFIX mal configurada. Estos dos puntos concentran la mayoría de los problemas reportados por los usuarios en los foros técnicos.
Para una primera prueba de reconocimiento, un comando del tipo tesseract image.png output -l fra genera un archivo output.txt que contiene el texto extraído. La calidad del resultado depende en gran medida de la resolución de la imagen fuente y del contraste entre el texto y el fondo. Imágenes por debajo de 300 DPI producen regularmente resultados degradados, sin que el motor OCR sea el culpable.
La instalación de Tesseract OCR en Windows se reduce finalmente a cuatro operaciones: descargar el instalador correcto de 64 bits, seleccionar los modelos de idioma adecuados, configurar las variables de entorno y luego bloquear los permisos del directorio tessdata. La versión 5.5.3 marca un umbral de seguridad que no se debe ignorar, y la verificación desde la línea de comandos sigue siendo el único medio fiable para confirmar que todo funciona.
