OCR za tekst u frakturi: Sačuvajte izvornik prije modernizacije

Za OCR tiskane frakture odaberite model koji podržava to pismo, testirajte kratak odlomak u usporedbi sa stranicom i odlučite treba li vaš prijepis zadržati dugo s, ſ, ili ga normalizirati u s. Provjereni izvorni prijepis držite odvojeno od bilo kakve modernizacije ili prijevoda. Riječ koja izgleda poznatije nije nužno vjernije očitana s tiska.

Testirali smo dva kratka, sintetička njemačka odlomka u frakturi i kontrolni tekst u modernom fontu. Čak i na tim čistim slikama, model za frakturu promijenio je iſt u ift u jednom odlomku te u if u drugom. Koristan rezultat nije bila rang-lista najboljih alata: bio je to dokaz da su prepoznavanje znakova, odabir pravila transkripcije i modernizacija jezika tri potpuno različita posla.

Ovaj je vodič namijenjen tiskanim stranicama. Ne uspostavlja radni tijek za rukopisni kurent ili Sütterlin, oštećene rukopise niti cjelokupne povijesne zbirke.

Odlučite što se smatra točnim prije pokretanja OCR-a

Napišite pravilo transkripcije u jednoj rečenici prije usporedbe alata. Na primjer: „Zadrži izvorni pravopis i dugo s; označi riječi koje ne mogu provjeriti.” U suprotnom biste namjernu normalizaciju mogli kazniti kao pogrešku — ili prihvatiti neželjeno prepisivanje samo zato što djeluje tečno.

OCR-D pruža konkretan primjer ove razlike. Njegove smjernice za Razinu 1 prikazuju dugo s i okruglo s kao s; Razine 2 i 3 ih razlikuju. Riječ je o konvencijama transkripcije, a ne o uputi da se svaki stari pravopis pretvori u moderni ekvivalent. Pogledajte službena pravila za s Razine 1 i pravila za s Razine 2/3.

Za osobni projekt čitanja držite ove izlaze odvojenima:

Drugi red mijenja samo ſ u s; ne primjenjuje sva pravila razine 1 OCR-D-a. Treći red mijenja i izvorni pravopis. Nijedna izvedenica ne bi smjela neprimjetno zamijeniti transkript usmjeren na izvornik.

Posebno nemojte globalno zamjenjivati slovo f slovom s. Naš neuspjeli OCR izlaz sadrži ift, no i pravo slovo f također se može pojaviti u izvorniku. Ispravite riječ uspoređujući je sa slikom, a ne pomoću općeg pravila zamjene.

Što se dogodilo u našem eksperimentu s osam poziva

Dana 11. rujna 2026. renderirali smo dva izvorna didaktička odlomka od tri retka u fontovima UnifrakturMaguntia i Noto Sans. Svaka je slika prepoznata pomoću dva fiksna Tesseract modela: modela za frakturu tessdata_best i modela za engleski jezik. Engleska konfiguracija služi kao kontrast, a ne kao moderna polazna točka za njemački.

Svih osam poziva koristilo je Tesseract 5.5.3, način rada LSTM (--oem 1), jedan tekstualni blok (--psm 6) i 300 dpi. Nismo mijenjali postavke, isključivali rezultate niti ponavljali prepoznavanje unutar izvornog eksperimenta. Ponovni test istih osam slika 12. rujna točno je reproducirao spremljene izlazne bajtove.

Slike su izvorno oblikovane pomoću Apple CoreTexta uz omogućene ligature, a ne iscrtane kao neoblikovani okviri znakova. Koriste tekst od 64 piksela na bijelom platnu veličine 2200 × 460. Slike, provjere broja glifova, licence fontova, sažeci modela i sirovi rezultati dostupni su u uputama paketa eksperimenta.

Specijaliziranom modelu i dalje je bio potreban ispravak

Prvi izvorni redak glasio je:

Das Waſſer iſt klar.

Na slici s frakturalnim fontom, frakturalni model vratio je:

Das Waſſer ift klar.

Veći dio retka je očuvan, no ſ u iſt postalo je f. U drugom odlomku, Das Thal iſt weit. je postalo Das Thal if weit.: prepoznavanje je promijenilo jedan znak, a drugi ispustilo. Čitanje izlaza kao uvjerljivog njemačkog teksta nije zamjena za provjeru izvornika.

Do drukčije je pogreške došlo u kontrolnom uzorku s modernim fontom. Frakturalni model zadržao je riječi u prvom odlomku, ali je dvije točke sa zarezom u Buch 12; Seite 27; Nummer 105. promijenio u dvotočke. Da smo provjeravali samo dugo s, te bismo promjene interpunkcije previdjeli.

Ciljni tekst mijenja rezultat

Svaki sirovi izlaz ocijenili smo u odnosu na dva ciljna teksta utvrđena prije prepoznavanja: točan izvorni tekst te izvor u kojem je samo ſ → s. Obje usporedbe normaliziraju Unicode u NFC i sažimaju bjeline; zadržavaju veličinu slova i interpunkciju. Sirovi izlaz ne svodimo na ista slova prije ocjenjivanja.

Brojevi u nastavku predstavljaju udaljenost uređivanja znakova—umetanja, brisanja i zamjene—a ne postotak točnosti.

Nula u jednom retku označava potpuno podudaranje za taj jedan kratki unos. Ona ne govori ništa o sljedećoj stranici stvarne knjige. Nasuprot tome, model koji ispravno zadržava ſ dobiva dodatne razlike u usporedbi s ciljem koji zahtijeva s. Te razlike opisuju neusklađenost pravila, a ne nužno pogrešno prepoznavanje.

Pregledajte sve izvorne izlaze i rezultate, fiksne izvorne tekstove i pravila ocjenjivanjaili skriptu za verifikaciju. Paket bilježi SHA-256 sažetke kako bi se model, slika i izlaz mogli povezati sa svakim rezultatom.

Što vam ovaj eksperiment ne može reći

Ovo su dva čista, sintetička odlomka s velikim fontom — a ne skenovi starog izdanja. Nismo testirali izblijedjelu tintu, sitan tisak, unutrašnje margine, stupce, oštećeni papir, rukopis ni neovisne ljudske transkripcije. Također nismo testirali suvremeni njemački model, komercijalne OCR alate niti BookTranslatorov OCR ili prijevodni izlaz.

Smatrajte ove primjere razlogom za pregled vlastitog materijala, a ne procjenom stope pogrešaka za cijelu knjigu. Na temelju ove tablice ne bismo birali OCR uslugu za povijesnu zbirku.

Provedite ograničeni test na stranicama koje vam stvarno trebaju

Ako Tesseract koristite lokalno, zabilježite verziju pogona i točnu datoteku modela prije usporedbe izlaza. Samo ime modela ne identificira preuzetu datoteku. Naš zapis o podrijetlu povezuje fiksirane javne izvore modela i fontova; velike datoteke modela nisu priložene uz članak.

Za našu oglednu sliku s jednim blokom, s modelom za frakturu spremljenim lokalno kao models/Fraktur.traineddata, naredba je glasila:

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

Tesseractova dokumentacija za naredbeni redak objašnjava LSTM način rada i pretpostavku jednog ujednačenog bloka kod PSM 6. Ta pretpostavka odgovara našoj slici od tri retka. To nije preporuka da se svaka stranica knjige s više stupaca obrađuje pomoću PSM 6.

Za vlastitu knjigu započnite s odlomkom koji možete pouzdano prepisati i jednom težom stranicom koja je reprezentativna za materijal koji vam treba. Uključite ime ili nepoznat pojam, broj i bilo kakvu promjenu pisma. Ako se u knjizi izmjenjuju pisma ili jezici, upotrijebite zaseban vodič za OCR višejezičnih PDF-ova umjesto pretpostavke da jedan čisti odlomak frakture pokriva cijeli dokument.

Zadržite sken nepromijenjenim. Spremite sirovi OCR odvojeno od ispravaka i zabilježite identifikator stranice ili slike za svaki provjereni odlomak. Ako je rezultat nečitljiv, ponovno pregledajte sliku stranice i segmentaciju prije nego što proširite zadatak na stotine stranica.

Ispravite prijepis bez izmišljanja riječi koja nedostaje

Upotrijebite mali dnevnik ispravaka s četiri stupca: izvorna lokacija, sirovi OCR, provjereno čitanje i razlog. Razlog bi trebao razlikovati vidljivu pogrešku u znaku od uredničke preinake.

Ako se tekst u preuzetom PDF-u već može označiti, usporedite kopirani tekst sa slikom prije nego što krenete ispočetka. Dijagnoza kopiranja i lijepljenja iz PDF-a objašnjava zašto vidljiva stranica može izgledati ispravno dok je njezin skriveni ili mapirani tekst pogrešan. To je sasvim drukčiji problem od odabira modela za prepoznavanje frakture.

Zaustavite se nakon izrade pouzdanog izvornog teksta ako su pretraživanje, provjera citata ili čitanje njemačkog jezika bili jedini cilj. Prijevod nije obavezan korak u pročišćavanju teksta.

Prevodite samo kada je jezik i dalje prepreka

Za čitatelje kojima je potreban drugi jezik, provjereni izvornik točka je u kojoj prevođenje postaje korisno. Držite skenirani dokument, pregledani prijepis i prijevod jasno odvojenima kako biste mogli utvrditi potječe li sporni odlomak iz prepoznavanja teksta ili iz prijevoda. Tijek rada za prevođenje skeniranih PDF-ova pruža širi pregled cijelog procesa.

Ako odaberete BookTranslatorov PDF Translator, procijenite reprezentativni dio vlastitog dokumenta prije nego što se oslonite na cjelokupni rezultat. Naš eksperiment ne potvrđuje kako BookTranslator obrađuje povijesnu frakturu. Njegov OCR način rada ponovno stvara čist dokument i može promijeniti izvorni izgled stranice, fontove i veličine fontova; nemojte taj rezultat smatrati faksimilom niti pretpostavljati da su izvorne reference na stranice ostale nepromijenjene.

Praktičan redoslijed je jednostavan: utvrdite točno čitanje izvornika, označite svaku normalizaciju, a zatim po potrebi prevedite. Tečnost pripada samom kraju tog procesa — a ne na početak, gdje bi zamijenila stvarne dokaze.