OCR на текст във фрактур: Запазете оригинала, преди да го модернизирате

За OCR на печатен фрактур изберете модел, който поддържа този шрифт, тествайте кратък откъс спрямо страницата и решете дали транскрипцията ви трябва да запази дългото s, ſ, или да го нормализира до s. Съхранявайте проверения изходен транскрипт отделно от всякаква модернизация или превод. По-познато изглеждащата дума не е непременно по-вярно разчитане на печатния текст.

Тествахме два кратки, симулирани пасажа на немски език във фрактурен шрифт и контролен текст с модерен шрифт. Дори при тези чисти изображения моделът за фрактур промени iſt на ift в единия откъс и на if в другия. Полезният резултат не беше класация на инструментите, а доказателство, че разпознаването на знаците, изборът на конвенция за транскрипция и модернизирането на езика са три различни задачи.

Това ръководство е предназначено за печатни страници. То не определя работен процес за ръкописен курент или зютерлин, повредени ръкописи или цяла историческа колекция.

Определете какво се счита за правилно, преди да пуснете OCR

Формулирайте правило за транскрипция в едно изречение, преди да сравнявате инструменти. Например: „Запази оригиналния правопис и дългото s; маркирай думите, които не могат да бъдат потвърдени.“ В противен случай рискувате да отчетете умишлена нормализация като грешка — или да приемете нежелана преработка само защото звучи гладко.

OCR-D предоставя конкретен пример за това разграничение. Неговите насоки за Ниво 1 представят дългото s и кръглото s като s; Нива 2 и 3 ги разграничават. Това са конвенции за транскрипция, а не указание за преобразуване на всеки стар правопис в съвременния му еквивалент. Вижте официалните правила за s за Ниво 1 и правила за s за Нива 2/3.

За личен проект за четене дръжте тези резултати отделно:

Вторият ред променя единствено ſ на s; той не прилага всички правила на OCR-D Level 1. Третият ред променя и оригиналния правопис. Нито един от дериватите не бива тихомълком да замества ориентираната към оригинала транскрипция.

По-специално, не заменяйте глобално буквата f с s. Нашият неуспешен OCR резултат съдържа ift, но автентично f също може да се срещне в оригинала. Коригирайте думата спрямо изображението, а не според общо правило за заместване.

Какво показа нашият експеримент с осем заявки

На 11 септември 2026 г. визуализирахме два оригинални триредови учебни пасажа в шрифтовете UnifrakturMaguntia и Noto Sans. Всяко изображение беше разпознато с два фиксирани модела на Tesseract: модела за фрактура tessdata_best и английския му модел. Английската конфигурация служи за контраст, а не за базова линия за съвременен немски.

И при осемте извиквания беше използван Tesseract 5.5.3, режим LSTM (--oem 1), единичен текстов блок (--psm 6) и 300 dpi. Не сме променяли настройките, не сме изключвали резултати и не сме повтаряли разпознаването в рамките на първоначалния експеримент. Повторното изпълнение на пакета със същите осем изображения на 12 септември възпроизведе запазените изходни байтове.

Изображенията бяха оформени автентично с Apple CoreText и активирани лигатури, а не начертани като неоформени рамки за знаци. Те използват 64-пикселов текст върху бяло платно с размери 2200 × 460. Изображенията, проверките за брой глифове, лицензите за шрифтове, хешовете на моделите и суровите резултати са достъпни в инструкциите към експерименталния пакет.

Специализираният модел все пак се нуждаеше от корекция

Първият ред от източника беше:

Das Waſſer iſt klar.

Върху изображението с фрактурен шрифт моделът за Fraktur върна:

Das Waſſer ift klar.

По-голямата част от реда беше запазена, но ſ в iſt се превърна в f. Във втория пасаж Das Thal iſt weit. стана Das Thal if weit.: разпознаването промени един знак и изпусна друг. Това, че изходният текст звучи като правдоподобен немски, не заменя проверката спрямо оригинала.

При контролната група с модерен шрифт възникна друга грешка. Моделът за Fraktur запази думите в първия пасаж, но промени двете точки и запетаи в Buch 12; Seite 27; Nummer 105. на двоеточия. Проверката единствено на дългото s би пропуснала тези промени в пунктуацията.

Целевият текст променя оценката

Оценихме всеки необработен резултат спрямо два целеви текста, фиксирани преди разпознаването: точния изходен текст и източника със заменено единствено ſ → s. И двете сравнения нормализират Unicode до NFC и свиват празничните знаци; те запазват регистъра на буквите и пунктуацията. Не трансформираме необработения резултат преди оценяването му.

Числата по-долу представляват дистанция на редактиране на ниво символи — вмъквания, изтривания и замествания — а не процент на точност.

Нулата на даден ред означава точно съвпадение за този конкретен кратък откъс. Тя не показва нищо за следващата страница от истинска книга. Обратно, модел, който коректно запазва ſ , получава допълнителни разминавания при сравнение с целеви текст, изискващ s. Тези разминавания показват несъответствие в правилата за транскрипция, а не непременно грешно разпознаване.

Прегледайте всички оригинални резултати и оценки, фиксираните изходни текстове и критериите за оценяванеили скрипта за проверка. Пакетът записва SHA-256 хешове, за да могат моделът, изображението и изведеният резултат да бъдат съпоставени точно за всеки случай.

Какво не може да ви каже този експеримент

Това са два чисти, синтетични откъса с едър шрифт, а не сканирани страници от старо издание. Не сме тествали избледняло мастило, дребен шрифт, вътрешни полета, колони, повредена хартия, ръкописен текст или независими ръчни транскрипции. Също така не сме тествали модел за съвременен немски, комерсиални OCR инструменти или резултатите от OCR и превода на BookTranslator.

Приемайте тези примери като повод да проверите собствените си материали, а не като оценка на дела на грешките за цели книги. Ние не бихме избрали OCR услуга за историческа колекция само въз основа на тази таблица.

Направете ограничен тест върху страниците, които реално са ви нужни

Ако използвате Tesseract локално, запишете версията на софтуера и точния файл на модела, преди да сравнявате резултатите. Самото име на модела не идентифицира еднозначно изтегления файл. Нашият запис за произход препраща към фиксираните публични източници на модели и шрифтове; големите файлове с модели не са включени в пакета към статията.

За нашето примерно изображение с единичен блок, при модел за шрифт фрактура, запазен локално като models/Fraktur.traineddata, командата беше:

tesseract samples/long-s-fraktur.png stdout --tessdata-dir ./models -l Fraktur --oem 1 --psm 6 --dpi 300

Документацията за командния ред на Tesseract обяснява LSTM режима и допускането за единичен еднороден блок при PSM 6. Това допускане е подходящо за нашето триредово изображение. То не е препоръка за обработка на всяка многоколонна страница от книга с PSM 6.

За вашата книга започнете с пасаж, който можете да транскрибирате уверено, и една по-трудна страница, представителна за нужния материал. Включете име или непознат термин, число и всяка промяна в шрифта. Ако в книгата се редуват различни писмени системи или езици, използвайте отделното ръководство за OCR на PDF документи със смесени езици , вместо да приемате, че един чист параграф на фрактур покрива целия документ.

Запазете сканираното изображение непроменено. Запишете суровия OCR текст отделно от корекциите и отбележете идентификатора на страницата или изображението за всеки проверен пасаж. Ако резултатът е нечетлив, прегледайте отново изображението на страницата и сегментацията, преди да разширите задачата до стотици страници.

Коригирайте транскрипцията, без да си измисляте липсващата дума

Използвайте кратък дневник за корекции с четири колони: местоположение в източника, суров OCR, проверен прочит и причина. Причината трябва да разграничава видима грешка в знака от редакторска промяна.

Ако текстът вече може да се селектира в изтегления PDF файл, сравнете поставения от него текст с изображението, преди да започнете отначало. Диагностиката при копиране и поставяне от PDF обяснява защо видимата страница може да изглежда правилно, докато нейният скрит или съпоставен текст е грешен. Това е различен проблем от избора на модел за разпознаване на фрактура.

Спрете след генерирането на надежден изходен текст, ако цялата задача е била търсене, проверка на цитати или четене на немски. Преводът не е задължителна стъпка за почистване.

Превеждайте само когато езикът все още е пречка

За читателите, които се нуждаят от друг език, провереният източник е моментът, в който преводът става полезен. Дръжте сканирания файл, прегледаната транскрипция и превода ясно разграничими, за да можете да разберете дали спорният пасаж произтича от разпознаването или от превода. Работният процес за превод на сканиран PDF описва по-широкия процес на предаване на данните.

Ако изберете PDF преводача на BookTranslator, оценете представителна част от собствения си документ, преди да разчитате на пълния резултат. Нашият експеримент не проверява как BookTranslator обработва историческа фрактура. Неговият OCR режим изгражда наново изчистен документ и може да промени оригиналното оформление на страницата, шрифтовете и техните размери; не приемайте този резултат като факсимиле и не предполагайте, че препратките към оригиналните страници остават непроменени.

Практическият ред е прост: установете прочита на източника, обозначете всяка нормализация и след това преведете, ако е необходимо. Гладкостта на изказа е мястото в края на този процес — а не на мястото на доказателствата в самото начало.