Los ataques de phishing son una gran amenaza para la seguridad en línea, lo que resulta en millones de dólares en pérdidas. Estos ataques evolucionan constantemente, obligando a la comunidad de ciberseguridad a mejorar los sistemas de detección. Uno de los principales problemas con los sistemas de detección actuales es que no pueden detectar nuevos ataques de phishing, como Browser in the Browser (BiTB) y ataques de malvertising. Estos ataques se esconden detrás de Uniform Resource Locators (URLs) legítimos y pueden evadir los sistemas de detección que solo analizan la URL de una página web sin explorar el contenido de la página. Para abordar este problema, proponemos PhishTransformer, un modelo de aprendizaje profundo que puede detectar ataques de phishing mediante el análisis de URLs y contenido de páginas. Proponemos utilizar solo URLs incrustados dentro de una página web, como hipervínculos y JFrames, para entrenar a PhishTransformer. Esto ayuda a reducir el número de características que deben extraerse del contenido de la página, lo que hace que el entrenamiento del modelo sea más eficiente. PhishTransformer combina redes neuronales convolucionales y codificadores de transformadores para extraer características de las URLs de los sitios web y el contenido de la página. Estas características se utilizan luego para entrenar un clasificador que puede distinguir entre ataques de phishing y sitios web legítimos. Probamos PhishTransformer en un conjunto de datos de 10,000 URLs. Nuestros resultados muestran que PhishTransformer puede lograr un puntaje F1 del 99%, una precisión del 99% y una recuperación del 99%. Este resultado sugiere que PhishTransformer es un nuevo enfoque prometedor para la detección de phishing.