OCR para texto en Fraktur: conserve el original antes de modernizarlo

Para aplicar OCR a texto impreso en Fraktur, elija un modelo compatible con esta tipografía, pruebe un fragmento breve comparándolo con la página y decida si su transcripción debe conservar la s larga, ſ, o normalizarla a s. Mantenga la transcripción de origen verificada separada de cualquier modernización o traducción. Que una palabra resulte más familiar a la vista no significa necesariamente que sea una lectura más fiel del texto impreso.

Probamos dos pasajes breves y sintéticos en alemán con una fuente Fraktur frente a un control con una fuente moderna. Incluso en estas imágenes limpias, el modelo de Fraktur cambió iſt por ift en un pasaje y por if en otro. Lo verdaderamente útil del resultado no fue una clasificación de herramientas ganadoras: fue demostrar que reconocer los caracteres, elegir un criterio de transcripción y modernizar el idioma son tres tareas distintas.

Esta guía está pensada para páginas impresas. No establece un flujo de trabajo para manuscritos en Kurrent o Sütterlin, documentos dañados o colecciones históricas completas.

Defina qué se considera correcto antes de ejecutar el OCR

Redacte una política de transcripción en una sola frase antes de comparar herramientas. Por ejemplo: «Mantener la ortografía de origen y la s larga; marcar las palabras que no se puedan verificar». De lo contrario, podría penalizar una normalización intencionada como si fuera un error, o bien aceptar una reescritura no deseada simplemente porque parece fluida.

OCR-D ofrece un ejemplo concreto de esta distinción. Sus directrices de Nivel 1 representan tanto la s larga como la s redonda como s; Niveles 2 y 3 las diferencian. Se trata de convenciones de transcripción, no de una instrucción para convertir cada grafía antigua en su equivalente moderno. Consulte las reglas oficiales para la s del Nivel 1 y las reglas para la s de los Niveles 2 y 3.

Para un proyecto de lectura personal, mantenga estos resultados por separado:

La segunda fila solo cambia ſ por s; no implementa todas las reglas del Nivel 1 de OCR-D. La tercera fila también modifica la ortografía original. Ninguno de estos derivados debe sustituir silenciosamente a la transcripción fiel a la fuente.

En particular, no sustituya de forma global la letra f por s. El resultado de nuestro OCR fallido contiene ift, pero también puede aparecer una f auténtica en la fuente. Corrija la palabra comparándola con la imagen, no mediante una regla de sustitución indiscriminada.

Qué ocurrió en nuestro experimento de ocho ejecuciones

El 11 de septiembre de 2026, renderizamos dos fragmentos didácticos originales de tres líneas en UnifrakturMaguntia y Noto Sans. Cada imagen se reconoció con dos modelos fijos de Tesseract: el modelo para escritura Fraktur tessdata_best y su modelo en inglés. La configuración en inglés sirve como contraste, no como punto de referencia del alemán moderno.

Las ocho llamadas utilizaron Tesseract 5.5.3, modo LSTM (--oem 1), un único bloque de texto (--psm 6) y 300 ppp. No modificamos la configuración, no excluimos resultados ni reintentamos el reconocimiento dentro del experimento original. Una repetición de empaquetado del 12 de septiembre con las mismas ocho imágenes reprodujo exactamente los bytes de salida guardados.

Las imágenes se perfilaron de forma auténtica con Apple CoreText y ligaduras habilitadas, sin dibujarse como cuadros de caracteres sin perfilar. Utilizan texto de 64 píxeles sobre un lienzo blanco de 2200 × 460. Las imágenes, las comprobaciones de recuento de glifos, las licencias de las fuentes, los hashes de los modelos y las salidas sin procesar están disponibles en las instrucciones del paquete del experimento.

Un modelo especializado aún requería corrección

La primera línea de origen era:

Das Waſſer iſt klar.

En la imagen con tipografía Fraktur, el modelo Fraktur arrojó:

Das Waſſer ift klar.

La mayor parte de la línea se conservó, pero ſ en iſt pasó a ser f. En el segundo fragmento, Das Thal iſt weit. se convirtió en Das Thal if weit.: el reconocimiento cambió un carácter y omitió otro. Leer el resultado como un texto en alemán verosímil no reemplaza la revisión del original.

Hubo un fallo distinto en el control con tipografía moderna. El modelo Fraktur mantuvo las palabras del primer fragmento, pero cambió los dos puntos y coma de Buch 12; Seite 27; Nummer 105. por dos puntos. Si solo se hubiera comprobado la s larga, se habrían pasado por alto esos cambios de puntuación.

El texto de referencia cambia la puntuación

Evaluamos cada salida sin procesar frente a dos textos de referencia fijados antes del reconocimiento: el texto original exacto y el texto original con únicamente ſ → s. Ambas comparaciones normalizan Unicode a NFC y colapsan los espacios en blanco; conservan las mayúsculas, minúsculas y la puntuación. No alteramos la salida sin procesar antes de evaluarla.

Las cifras que figuran a continuación corresponden a distancias de edición de caracteres (inserciones, eliminaciones y sustituciones), no a un porcentaje de precisión.

El cero en una fila representa una coincidencia exacta para esa breve entrada en particular. No dice nada sobre la página siguiente de un libro real. Por el contrario, un modelo que conserva correctamente ſ recibe diferencias adicionales al compararse con un objetivo que exige s. Esas diferencias describen una discrepancia de criterios, no necesariamente un error de reconocimiento.

Inspeccione todos los resultados y puntuaciones originales, los textos fuente fijos y la política de evaluación, o el script de verificación. El paquete registra hashes SHA-256 para que el modelo, la imagen y el resultado puedan vincularse a cada resultado.

Lo que este experimento no puede decirle

Se trata de dos fragmentos sintéticos, nítidos y en letra grande, no de escaneos de una edición antigua. No evaluamos tinta desvaída, letra pequeña, márgenes internos, columnas, papel dañado, escritura a mano ni transcripciones humanas independientes. Tampoco evaluamos un modelo de alemán moderno, herramientas comerciales de OCR ni el resultado de OCR o traducción de BookTranslator.

Considere estos ejemplos como motivos para inspeccionar su propio material, no como una estimación de las tasas de error de un libro completo. Nosotros no elegiríamos un servicio de OCR para una colección histórica a partir de esta tabla.

Haga una prueba acotada con las páginas que realmente necesita

Si utiliza Tesseract en local, registre la versión del motor y el archivo de modelo exacto antes de comparar resultados. El nombre de un modelo por sí solo no identifica el archivo descargado. Nuestro registro de procedencia enlaza a las fuentes públicas fijadas de modelos y fuentes tipográficas; los archivos de modelos grandes no se incluyen con el artículo.

Para nuestra imagen de muestra de un solo bloque, con el modelo de escritura Fraktur guardado localmente como models/Fraktur.traineddata, el comando fue:

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

La documentación de línea de comandos de Tesseract explica el modo LSTM y el supuesto de bloque único y uniforme de PSM 6. Esa hipótesis encaja con nuestra imagen de tres líneas, pero no constituye una recomendación para procesar cualquier página de libro en varias columnas con PSM 6.

Para tu propio libro, empieza con un pasaje que puedas transcribir con total seguridad y una página más difícil que sea representativa del material que necesitas. Incluye un nombre o término poco común, un número y cualquier cambio en la tipografía. Si un libro alterna alfabetos o idiomas, consulta la guía de OCR para PDF en varios idiomas en lugar de dar por sentado que un párrafo limpio en Fraktur sirve para todo el documento.

Mantén el escaneo original sin cambios. Guarda el OCR en bruto de forma separada a las correcciones y anota el identificador de página o de imagen para cada pasaje revisado. Si el resultado es ilegible, vuelve a revisar la imagen de la página y su segmentación antes de ampliar el trabajo a cientos de páginas.

Corrige la transcripción sin inventar la palabra que falta

Utiliza un pequeño registro de correcciones con cuatro columnas: ubicación de origen, OCR en bruto, lectura verificada y motivo. El motivo debe distinguir entre un error visible de caracteres y una modificación editorial.

Si el texto ya se puede seleccionar en un PDF descargado, compare el texto pegado con la imagen antes de empezar desde cero. El diagnóstico de copiar y pegar en PDF explica por qué una página visible puede parecer correcta mientras que su texto subyacente o asignado es erróneo. Se trata de un problema distinto al de elegir un modelo de reconocimiento para Fraktur.

Deténgase tras obtener un texto de origen fiable si la búsqueda, la verificación de citas o la lectura en alemán eran todo el objetivo. La traducción no es un paso de limpieza obligatorio.

Traduzca solo cuando el idioma siga siendo el obstáculo

Para los lectores que necesitan otro idioma, el texto de origen ya revisado es el punto en el que la traducción resulta útil. Mantenga claramente diferenciados el escaneo, la transcripción revisada y la traducción para saber si un pasaje controvertido se originó en el reconocimiento o en la traducción. El flujo de trabajo de traducción de PDF escaneados describe este proceso en un contexto más amplio.

Si elige el Traductor de PDF de BookTranslator, evalúe una parte representativa de su propio documento antes de confiar en el resultado completo. Nuestro experimento no certifica el tratamiento que hace BookTranslator de la letra Fraktur histórica. Su Modo OCR reconstruye un documento limpio y puede alterar el diseño de página original, las fuentes y los tamaños de letra; no trate dicho resultado como un facsímil ni asuma que las referencias a las páginas originales se conservan intactas.

El orden práctico es sencillo: establecer la lectura del original, etiquetar cualquier modernización y luego traducir si es necesario. La fluidez corresponde al final de ese proceso, nunca al principio sustituyendo a las evidencias.