Texto legible dentro de las imágenes

Por qué esto fue irresoluble durante años

El modelo de imagen no conoce las letras como signos. Aprende patrones de píxeles, y una "g" no es para él un carácter sino una forma que apareció en muchos tamaños y variantes en las imágenes de entrenamiento. Cuando le pides un rótulo, en realidad le estás pidiendo que dibuje un patrón parecido a una fila de letras — no que escriba.

Dos cosas cambiaron esto. Una, que delante de los modelos de imagen se puso un modelo de lenguaje completo como codificador de texto, de modo que los caracteres de la palabra del prompt llegan siquiera al modelo de imagen. La otra, que los fabricantes entrenaron los modelos a propósito con imágenes que llevaban texto. Eso es lo que hizo legible el texto — pero no lo convirtió en composición tipográfica.

En qué punto estamos

Hay medición: en una comparativa centrada en el renderizado de texto, el mejor modelo cerrado ronda los 77 puntos y el mejor de pesos abiertos los 70, sobre una escala de cien. En la práctica esto significa lo siguiente.

• Una o dos palabras, a tamaño grande: hoy ya sale bien de forma fiable. El rótulo de una caja de producto, el texto de un cartel o un letrero de tienda quedarán correctos.
• Una frase corta: con bastante probabilidad saldrá bien, pero hay que revisarla. Aquí empiezan a aparecer las letras que faltan o que se duplican.
• Un párrafo entero: no funciona. Los modelos suelen empezar a deshacerse alrededor de los doscientos caracteres, y a partir de ahí empeora rápido.
• Muchos rótulos pequeños a tamaño reducido: desesperado. Una docena de etiquetas de producto en una estantería queda ilegible en todos los modelos.

Las tildes son un capítulo aparte

Aquí llega lo que las guías de los fabricantes se callan. Según una medición de agosto de 2026 que abarcó varios idiomas, los idiomas de alfabeto latino con tildes salen entre 7 y 11 puntos peor que el inglés — con el mismo modelo y con textos de la misma longitud. En un modelo construido específicamente para texto, la diferencia fue de 0,87 en inglés frente a 0,80 en español; en un modelo de imagen general, 0,68 en inglés frente a 0,57 en español.

Sobre el español, por tanto, sí hay datos, y son peores que los del inglés: no hay que suponerlo, está medido. Lo que sabemos con certeza viene además de la documentación de los fabricantes: uno de los proveedores especializados en texto deja escrito que el renderizado es más preciso en inglés y que el soporte de los signos no latinos, así como el de las letras latinas con tilde, es limitado. El español está justo en ese terreno difícil por la á, la é, la í, la ó, la ú, la ñ y la ü, y sobre todo por los signos de apertura ¿ y ¡, que casi no existen en el material de entrenamiento: el modelo tiende a comerse la tilde, a cambiar la ñ por una n o a abrir la pregunta con el signo de cierre. Si generas un rótulo en español, cuenta con que una de cada tres o cuatro imágenes va a fallar por ahí.

Cómo pedirlo

Si aun así le haces escribir al modelo, estos cuatro recursos son los que más mejoran tus probabilidades.

• Ponlo entre comillas. La documentación de todos los grandes proveedores dice lo mismo: el texto que debe renderizarse exactamente va entre comillas. Es el recurso individual más potente.
• Di dónde va y de qué tamaño. "En la parte frontal de la caja, en mayúsculas grandes" — indicar tamaño y sitio reduce la deformación, porque no dejas que el modelo lo intente con letra diminuta.
• Da un carácter de letra, no una tipografía. "Palo seco pesada", "romana clásica" funcionan. El nombre de una tipografía concreta no: el modelo no usa un archivo de fuente, recuerda con qué imágenes aparecía ese nombre.
• Un rótulo por imagen. Dos textos distintos en una misma imagen siguen dando hoy un resultado un orden de magnitud peor que uno solo.

La longitud a partir de la cual se rompe

El límite de doscientos caracteres no es una regla sino un umbral empírico — pero conviene tomárselo en serio. Por debajo, los fallos suelen arreglarse con una o dos regeneraciones. Por encima, el deterioro es de otra naturaleza: no se desplaza una letra, se descompone la estructura del texto, se repiten líneas y se mezclan palabras.

De ahí se sigue la regla práctica: la imagen no debe llevar la información. Si el rótulo es funcional — precio, fecha, datos de contacto, texto legal —, eso no es cosa del modelo. Si es decorativo — un letrero al fondo, una palabra en un envase —, entonces puede ir dentro.

Cuándo es mejor no generarlo

Hay una confesión silenciosa del sector en este tema: el único proveedor que construyó su producto sobre el renderizado de texto recomienda, en su propia documentación, que la tipografía la pongas encima de la imagen después. Es la frase más honesta de todo el terreno.

Por eso la práctica va en dos pasos. El modelo hace la imagen — la composición, la luz, la atmósfera y, si hace falta, el hueco libre para el texto — y la letra la pones tú en un editor de verdad. Así queda nítidamente legible en todos los tamaños, así puedes usar tu propia tipografía y así te ahorras veinte generaciones con la esperanza de que alguna escriba bien el nombre de tu empresa. En los elementos de marca esto no es un consejo sino una obligación: el logo y los elementos de marca explica exactamente por qué.

Malentendidos habituales

• "Con regenerar bastantes veces basta." Con una o dos palabras, sí. Con un párrafo, no: ahí no depende de la suerte sino de la capacidad del modelo.
• "El español es igual que el inglés, solo cambian las palabras." No. Las mediciones dejan al español claramente por detrás, y la ñ y los signos de apertura son justo lo que menos abunda en el material de entrenamiento.
• "Si lo pido en más resolución, será más legible." La resolución no ayuda con la ortografía. Saldrá la misma cadena de letras equivocada, solo que más nítida.
• "Lo arreglo luego con el editor." Reescribir una letra con inpainting a veces sale, pero el modelo regenera también el entorno — tras varios intentos, el área alrededor del rótulo se degrada de forma visible.

Lo que conviene llevarse

El rótulo es el único terreno de la generación de imágenes donde la respuesta correcta suele ser no hacerlo con el modelo. Que la imagen sea imagen, que el texto sea texto, y que los dos se junten en un editor. Esto importa sobre todo si produces muchas imágenes con la misma identidad visual — para ese flujo de trabajo, los visuales sociales en serie te da una receta lista para usar.