Cómo verificar la similitud entre dos textos (y detectar contenido duplicado)
Un puntaje de similitud entre dos textos te dice qué porcentaje de vocabulario significativo comparten, no si dicen lo mismo. Dos anuncios de producto reescritos a las apuradas pueden marcar 74% porque casi no cambiaron las palabras. Un texto y su paráfrasis genuina pueden marcar apenas 6% aunque comuniquen exactamente lo mismo. Esa diferencia es la clave para leer bien el número, y la explicamos con ambos casos reales abajo.
Cómo se calcula el puntaje
El método se llama similitud de coseno y es más simple de lo que suena. El proceso, paso a paso:
- Los dos textos se pasan a minúsculas y se les quita la puntuación.
- Se dividen en palabras individuales.
- Se descartan las palabras de una sola letra y las palabras vacías (artículos, preposiciones, conectores comunes como “the”, “and”, “of” en inglés, o “el”, “de”, “que” en español).
- Con las palabras que quedan se arma un vector de frecuencia por texto: cada palabra única con la cantidad de veces que aparece.
- Se calcula el coseno del ángulo entre esos dos vectores, que en la práctica es el producto punto de ambos dividido por el producto de sus magnitudes.
- El resultado se muestra como un porcentaje de 0% a 100%.
En términos prácticos, cuantas más palabras significativas compartan los dos textos, en las mismas proporciones, más alto es el puntaje. No hay análisis semántico de ningún tipo: la herramienta no sabe que “auriculares” y “audífonos” son sinónimos, solo cuenta coincidencias literales de palabras. Y corre enteramente en tu navegador, nada se envía a un servidor.
Ejemplo 1: dos listados de producto reescritos
Este es el escenario típico de “¿reescribí lo suficiente mi propia página de producto o la duplico casi tal cual?”. Los textos de ejemplo están en inglés porque la herramienta funciona con cualquier idioma y así los números quedan verificables en cualquier versión de este artículo, pero podés pegar directamente texto en español en la calculadora.
Texto A:
“Buy affordable wireless bluetooth headphones with active noise cancellation and thirty hour battery life. Free shipping on every order today.”
Texto B:
“Shop cheap wireless bluetooth headphones featuring active noise cancellation and a thirty hour battery. Enjoy free shipping on every order this week.”
Resultado: 74% de similitud (banda “alta similitud”).
| Categoría | Palabras |
|---|---|
| Compartidas (13) | active, battery, bluetooth, cancellation, every, free, headphones, hour, noise, order, shipping, thirty, wireless |
| Solo en A (4) | affordable, buy, life, today |
| Solo en B (5) | cheap, enjoy, featuring, shop, week |
A simple vista, alguien que hojea rápido los dos textos podría pensar que son anuncios distintos: cambiaron “buy” por “shop”, “affordable” por “cheap”, “today” por “this week”. Pero de las palabras que realmente importan (el producto, sus características, la oferta), 13 de las que aparecen en cada texto son idénticas. El puntaje de 74% refleja eso: está por encima de la banda “moderada” y cerca del corte que la propia herramienta usa como “alta similitud”. Es exactamente el tipo de reescritura superficial que un buscador puede tratar como contenido casi duplicado.
Ejemplo 2: el mismo original contra una paráfrasis real
Acá está el punto ciego de este método, y es importante entenderlo antes de confiar en el número.
Texto C es idéntico al Texto A de arriba.
Texto D:
“Our over ear audio devices block outside sound automatically and last more than a full day per charge, and delivery costs nothing no matter what you order.”
Resultado: 6% de similitud (banda “baja similitud”). La única palabra compartida es “order”.
Leé el Texto D con atención: habla de auriculares que bloquean el sonido externo automáticamente, que duran más de un día de carga, y de envío gratis sin importar el pedido. Es el mismo contenido que el Texto A, dicho con vocabulario completamente distinto. Un lector humano diría sin dudar que es el mismo texto reescrito. La herramienta lo marca en apenas 6% porque solo cuenta palabras compartidas de forma literal, no significado.
Esto deja una conclusión clara: un puntaje alto es una señal fuerte de que dos textos comparten vocabulario, pero un puntaje bajo no significa que el contenido sea original. Solo significa que la redacción es distinta. Por eso la herramienta es muy útil para detectar duplicación apurada o perezosa (como el Ejemplo 1) y no sirve como detector de plagio contra un texto bien parafraseado (como el Ejemplo 2).
Tabla de referencia de puntajes
| Rango | Etiqueta | Qué significa |
|---|---|---|
| 70% o más | Alta similitud | Vocabulario casi idéntico, alto riesgo de contenido duplicado |
| 40% a 69% | Similitud moderada | Comparten una base de palabras, pero con diferencias notables |
| 1% a 39% | Baja similitud | Poco vocabulario en común, puede o no tratarse del mismo tema |
| 0% | Sin similitud | Ninguna palabra significativa en común |
Verificá tus propios textos
Ingresa ambos textos para calcular la similitud
Similitud coseno TF · stop words eliminadas · se ejecuta en tu navegador
Errores comunes y casos límite
- Pensar que es un modelo de embeddings real. No hay comprensión de significado, solo conteo de palabras compartidas. El Ejemplo 2 lo muestra en carne propia: mismo contenido, 6%.
- Confiar en que un puntaje bajo significa “no es duplicado”. Una paráfrasis bien hecha puede acercarse a 0% y seguir siendo, en espíritu, una copia del original.
- Comparar un texto corto contra una página mucho más larga. Si el texto corto está contenido palabra por palabra dentro de la página larga, el puntaje igual puede salir bajo, porque el vocabulario extra y único de la página larga diluye la proporción compartida.
- No tener en cuenta que las palabras vacías se descartan antes de calcular. Textos muy breves compuestos casi solo de artículos, preposiciones y conectores comunes pueden dar legítimamente 0%, no porque haya un error sino porque no queda casi vocabulario significativo para comparar.
Preguntas frecuentes
¿En qué se diferencia esto de un modelo de embeddings real como text-embedding-3 de OpenAI? Un modelo de embeddings entiende significado: puede reconocer que “auriculares” y “audífonos” hablan de lo mismo aunque no compartan ni una letra. Esta herramienta solo cuenta palabras que coinciden literalmente entre los dos textos. Es rápida, corre en el navegador y sirve muy bien para detectar duplicación de vocabulario, pero no capta sinónimos ni paráfrasis.
¿Qué puntaje debería preocuparme por contenido duplicado en SEO? La banda de 70% o más (“alta similitud”) es la que hay que tomar en serio, como en el Ejemplo 1 con 74%. Pero no te quedes solo con el número: revisá la lista de palabras compartidas y únicas que muestra la herramienta para entender si de verdad es una reescritura superficial del mismo contenido o simplemente dos textos sobre el mismo tema.
¿Esta herramienta detecta plagio parafraseado? No. El Ejemplo 2 lo demuestra: el mismo contenido reescrito con vocabulario distinto marcó apenas 6%, en la banda de “baja similitud”. Un puntaje bajo no garantiza que el contenido sea original, solo que la redacción literal es diferente.
¿Las palabras vacías (stop words) se incluyen en el cálculo? No, se eliminan antes de calcular el puntaje. Artículos, preposiciones y conectores comunes no cuentan como coincidencia, así el resultado refleja vocabulario con contenido real y no coincidencias triviales como “the” o “and”.
¿Mi texto se envía a algún servidor? No. Todo el cálculo ocurre en tu navegador con JavaScript del lado del cliente. Nada de lo que pegues en la calculadora sale de tu dispositivo.
¿Puedo compartir un enlace con mis textos ya cargados? Desde este artículo no, porque el widget embebido no actualiza la URL de la página. Para eso, abrí la página completa de la herramienta: ahí sí podés generar un enlace con tus textos precargados para compartirlo.