OCR pour l'écriture Fraktur : préserver l'original avant de le moderniser

Pour effectuer l'OCR de textes imprimés en Fraktur, choisissez un modèle prenant en charge cette écriture, testez un court extrait sur la page et décidez si votre transcription doit conserver le s long, ſ, ou le normaliser en s. Conservez la transcription source vérifiée à l'écart de toute modernisation ou traduction. Un mot à l'apparence plus familière n'est pas nécessairement une lecture plus fidèle de l'imprimé.

Nous avons testé deux courts passages synthétiques en allemand, l'un en police Fraktur et l'autre en police moderne pour servir de contrôle. Même sur ces images nettes, le modèle Fraktur a transformé iſt en ift dans un passage et en if dans un autre. Le résultat utile n'était pas un classement des meilleurs outils : c'était la démonstration que reconnaître les caractères, choisir une convention de transcription et moderniser la langue constituent trois tâches distinctes.

Ce guide s'adresse aux pages imprimées. Il ne définit pas de flux de travail pour le Kurrent ou le Sütterlin manuscrits, les manuscrits endommagés ou une collection historique entière.

Définir ce qui est correct avant de lancer l'OCR

Rédigez votre politique de transcription en une phrase avant de comparer les outils. Par exemple : « Conserver l'orthographe source et le s long ; signaler les mots impossibles à vérifier. » Dans le cas contraire, vous risquez de pénaliser une normalisation délibérée en la prenant pour une erreur, ou d'accepter une réécriture indésirable simplement parce qu'elle semble fluide.

OCR-D offre une illustration concrète de cette nuance. Ses directives de Niveau 1 transcrivent à la fois le s long et le s rond par s; Niveaux 2 et 3 les distinguent. Il s'agit là de conventions de transcription, et non d'une consigne visant à convertir chaque orthographe ancienne en son équivalent moderne. Consultez les règles officielles : règles du s pour le Niveau 1 et règles du s pour les Niveaux 2 et 3.

Pour un projet de lecture personnel, conservez ces sorties séparément :

La deuxième ligne remplace uniquement ſ par s; elle n'applique pas l'ensemble des règles du niveau 1 de l'OCR-D. La troisième ligne modifie également l'orthographe de la source. Aucun de ces dérivés ne doit remplacer discrètement la transcription fidèle à la source.

En particulier, ne remplacez pas globalement la lettre f par s. Notre résultat d'OCR erroné contient ift, mais un véritable f peut également apparaître dans la source. Corrigez le mot en le comparant à l'image, et non au moyen d'une règle de substitution systématique.

Ce qui s'est passé lors de notre test en huit exécutions

Le 11 septembre 2026, nous avons composé deux courts extraits pédagogiques originaux de trois lignes en UnifrakturMaguntia et en Noto Sans. Chaque image a été traitée par deux modèles Tesseract fixes : le modèle de police Fraktur tessdata_best et son modèle pour l'anglais. La configuration en anglais sert d'élément de comparaison, et non de référence pour l'allemand moderne.

Les huit exécutions ont utilisé Tesseract 5.5.3, le mode LSTM (--oem 1), un bloc de texte unique (--psm 6) et une résolution de 300 ppp. Nous n'avons pas modifié les paramètres, exclu de résultats ni relancé la reconnaissance au sein de l'expérience d'origine. Une réexécution le 12 septembre à partir du même paquet sur les huit mêmes images a reproduit à l'octet près les sorties enregistrées.

Les images ont fait l'objet d'un rendu typographique authentique avec Apple CoreText et les ligatures activées, sans être dessinées sous forme de boîtes de caractères brutes. Elles utilisent un texte de 64 pixels sur un canevas blanc de 2200 × 460. Les images, les vérifications du nombre de glyphes, les licences des polices, les hachages des modèles et les sorties brutes sont disponibles dans les instructions du paquet de l'expérience.

Un modèle spécialisé a tout de même nécessité des corrections

La première ligne source était :

Das Waſſer iſt klar.

Sur l'image en police Fraktur, le modèle Fraktur a renvoyé :

Das Waſſer ift klar.

La majeure partie de la ligne a été préservée, mais ſ dans iſt est devenu f. Dans le second extrait, Das Thal iſt weit. est devenu Das Thal if weit.: la reconnaissance a modifié un caractère et en a omis un autre. Obtenir en sortie un allemand plausible à la lecture ne dispense pas de vérifier l'original.

Une erreur différente est survenue sur l'échantillon témoin en police moderne. Le modèle Fraktur a conservé les mots du premier extrait, mais a transformé les deux points-virgules de Buch 12; Seite 27; Nummer 105. en deux-points. Se limiter à la vérification du s long n'aurait pas permis de déceler ces altérations de la ponctuation.

Le texte de référence modifie le score

Nous avons évalué chaque sortie brute par rapport à deux références définies avant la reconnaissance : le texte source exact, et le texte source avec uniquement ſ → s. Les deux comparaisons normalisent l'Unicode en NFC et réduisent les espaces consécutifs ; elles conservent la casse et la ponctuation. Nous ne normalisons pas la casse de la sortie brute avant d'en calculer le score.

Les chiffres ci-dessous représentent des distances d'édition de caractères (insertions, suppressions et substitutions), et non un pourcentage de précision.

Le zéro sur une ligne indique une correspondance parfaite pour ce court extrait précis. Cela ne préjuge en rien de la page suivante d'un livre réel. Inversement, un modèle qui conserve fidèlement ſ se verra attribuer des écarts supplémentaires lorsqu'il est comparé à une cible qui impose s. Ces écarts reflètent une divergence de règles éditoriales, et non nécessairement une erreur de reconnaissance.

Consultez l'ensemble des sorties et scores d'origine, les textes sources de référence et la règle d'évaluationou le script de vérification. L'archive consigne les hachages SHA-256 afin que le modèle, l'image et la sortie puissent être associés à chaque résultat.

Ce que cette expérience ne peut pas vous apprendre

Il s'agit ici de deux passages synthétiques, nets et composés dans une police de grande taille, et non de numérisations d'une édition ancienne. Nous n'avons pas testé d'encre effacée, de petits caractères, de fonds de gorge, de colonnes, de papier abîmé, d'écriture manuscrite ni de transcriptions humaines indépendantes. Nous n'avons pas non plus testé de modèle pour l'allemand moderne, d'outils d'OCR commerciaux, ni les résultats d'OCR ou de traduction de BookTranslator.

Considérez ces exemples comme une incitation à examiner vos propres documents, et non comme une estimation du taux d'erreur sur un livre entier. Nous ne choisirions pas un service d'OCR pour un fonds historique sur la seule base de ce tableau.

Effectuez un test ciblé sur les pages dont vous avez réellement besoin

Si vous utilisez Tesseract en local, notez la version du moteur ainsi que le fichier de modèle exact avant de comparer les sorties. Le simple nom d'un modèle ne suffit pas à identifier le fichier téléchargé. Notre relevé de traçabilité renvoie vers les sources publiques figées des modèles et des polices ; les volumineux fichiers de modèles ne sont pas intégrés à l'article.

Pour notre image d'exemple en bloc unique, avec le modèle pour l'écriture Fraktur enregistré localement sous models/Fraktur.traineddata, la commande était :

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

La documentation en ligne de commande de Tesseract détaille le mode LSTM ainsi que l'hypothèse de bloc uniforme unique du PSM 6. Cette hypothèse correspond bien à notre image de trois lignes. Il ne s'agit pas pour autant d'une recommandation pour traiter chaque page de livre multicolonne avec le PSM 6.

Pour votre propre ouvrage, commencez par un passage que vous pouvez transcrire en toute confiance et une page plus complexe, représentative des documents à traiter. Choisissez un extrait comportant un nom ou un terme peu courant, un chiffre ainsi que d'éventuels changements de police. Si un livre alterne les écritures ou les langues, consultez le guide d'OCR pour PDF multilingues au lieu de présumer qu'un unique paragraphe fluide en Fraktur s'applique à l'ensemble du document.

Conservez le scan original intact. Enregistrez l'OCR brut séparément des corrections, et notez l'identifiant de la page ou de l'image pour chaque passage vérifié. Si le résultat est illisible, réexaminez l'image de la page et la segmentation avant d'étendre le traitement à des centaines de pages.

Corriger la transcription sans inventer le mot manquant

Utilisez un journal de correction simple comportant quatre colonnes : emplacement source, OCR brut, lecture vérifiée et motif. Le motif doit distinguer une erreur visible de caractère d'une modification d'ordre éditorial.

Si le texte peut déjà être sélectionné dans un PDF téléchargé, comparez le texte collé à l'image avant de tout recommencer. Le diagnostic du copier-coller dans les PDF explique pourquoi une page visible peut sembler correcte alors que son texte sous-jacent ou mappé est erroné. C'est un problème différent du choix d'un modèle de reconnaissance de la Fraktur.

Arrêtez-vous après avoir obtenu un texte source fiable si la recherche, la vérification de citations ou la simple lecture de l'allemand constituaient l'intégralité du travail. La traduction n'est pas une étape de nettoyage obligatoire.

Ne traduisez que lorsque la langue reste l'obstacle

Pour les lecteurs qui ont besoin d'une autre langue, le texte source vérifié est le point de départ où la traduction devient utile. Veillez à ce que le scan, la transcription révisée et la traduction restent bien distincts afin de pouvoir déterminer si un passage contesté provient de la reconnaissance ou de la traduction. Le flux de travail de traduction de PDF scannés détaille cette transition de manière plus globale.

Si vous choisissez le traducteur de PDF de BookTranslator, évaluez un extrait représentatif de votre propre document avant de vous fier au résultat complet. Notre expérience ne valide pas le traitement de la Fraktur historique par BookTranslator. Son mode OCR reconstruit un document propre et peut modifier la mise en page originale, les polices et la taille des caractères ; ne traitez pas ce résultat comme un fac-similé et ne supposez pas que les références de pagination d'origine demeurent inchangées.

La démarche pratique est simple : établir la lecture source, signaler toute normalisation, puis traduire si nécessaire. La fluidité doit intervenir à la fin de ce processus, et non remplacer les preuves textuelles au départ.