OCR per testi in Fraktur: preserva l'originale prima di modernizzarlo

Per eseguire l'OCR di testi stampati in Fraktur, scegli un modello che supporti questa grafia, testa un breve estratto confrontandolo con la pagina e decidi se la tua trascrizione debba mantenere la s lunga, ſ, o normalizzarla in s. Mantieni la trascrizione originale verificata separata da qualsiasi modernizzazione o traduzione. Una parola dall'aspetto più familiare non è necessariamente una lettura più fedele del testo a stampa.

Abbiamo testato due brevi brani sintetici in tedesco con un font Fraktur e un testo di controllo con un font moderno. Anche su queste immagini nitide, il modello Fraktur ha modificato iſt in ift in un brano e in if nell'altro. Il risultato utile non è stata una classifica degli strumenti migliori, bensì la dimostrazione che riconoscere i caratteri, scegliere una convenzione di trascrizione e modernizzare la lingua sono tre operazioni distinte.

Questa guida è pensata per le pagine a stampa. Non definisce un flusso di lavoro per manoscritti in Kurrent o Sütterlin, documenti danneggiati o un'intera collezione storica.

Stabilisci cosa considerare corretto prima di eseguire l'OCR

Definisci in una singola frase i criteri di trascrizione prima di confrontare gli strumenti. Ad esempio: “Mantieni l'ortografia originale e la s lunga; contrassegna le parole che non posso verificare”. In caso contrario, rischieresti di considerare una normalizzazione intenzionale come un errore, oppure di accettare una riscrittura indesiderata solo perché sembra scorrevole.

OCR-D offre un esempio concreto di questa distinzione. Le sue linee guida di Livello 1 rappresentano la s lunga e la s rotonda come s; Livelli 2 e 3 le distinguono. Si tratta di convenzioni di trascrizione, non dell'indicazione di trasformare ogni grafia antica nel suo equivalente moderno. Consulta le regole ufficiali per la s di Livello 1 e la s di Livello 2/3.

Per un progetto di lettura personale, tieni separati questi output:

La seconda riga sostituisce solo ſ con s; non implementa tutte le regole di Livello 1 di OCR-D. La terza riga modifica anche l'ortografia originale. Nessuno dei due derivati dovrebbe sostituire silenziosamente la trascrizione orientata alla fonte.

In particolare, evita di sostituire a livello globale la lettera f con s. Il nostro output OCR errato contiene ift, ma nella fonte può comparire anche una vera f . Correggi la parola confrontandola con l'immagine, non applicando una regola di sostituzione indiscriminata.

Cosa è emerso dal nostro esperimento in otto passaggi

L'11 settembre 2026 abbiamo renderizzato due passaggi didattici originali di tre righe in UnifrakturMaguntia e Noto Sans. Ciascuna immagine è stata elaborata con due modelli fissi di Tesseract: il modello per scrittura Fraktur tessdata_best e il relativo modello inglese. La configurazione inglese funge da contrasto, non da benchmark per il tedesco moderno.

Tutte le otto chiamate hanno utilizzato Tesseract 5.5.3, modalità LSTM (--oem 1), un singolo blocco di testo (--psm 6) e 300 dpi. Non abbiamo modificato le impostazioni, escluso risultati o ripetuto il riconoscimento all'interno dell'esperimento originale. Una riesecuzione del pacchetto il 12 settembre sulle stesse otto immagini ha riprodotto fedelmente i byte di output salvati.

Le immagini sono state effettivamente modellate con Apple CoreText e legature abilitate, senza essere disegnate come riquadri di caratteri grezzi. Utilizzano un testo a 64 pixel su una tela bianca di 2200 × 460. Le immagini, i controlli sul conteggio dei glifi, le licenze dei font, gli hash dei modelli e gli output grezzi sono disponibili nelle istruzioni del pacchetto dell'esperimento.

Anche un modello specializzato ha richiesto correzioni

La prima riga di partenza era:

Das Waſſer iſt klar.

Sull'immagine con font Fraktur, il modello Fraktur ha restituito:

Das Waſſer ift klar.

La maggior parte della riga è rimasta intatta, ma ſ in iſt è diventato f. Nel secondo brano, Das Thal iſt weit. è diventato Das Thal if weit.: il riconoscimento ha modificato un carattere e ne ha omesso un altro. Valutare l'output solo perché sembra tedesco plausibile non sostituisce la verifica sul testo originale.

Si è verificato un errore diverso nel controllo con font moderno. Il modello Fraktur ha mantenuto le parole nel primo brano, ma ha trasformato i due punti e virgola in Buch 12; Seite 27; Nummer 105. in due punti. Limitarsi a controllare la s lunga non avrebbe permesso di rilevare queste modifiche alla punteggiatura.

La scelta del testo di riferimento cambia il punteggio

Abbiamo valutato ciascun output grezzo a fronte di due testi di riferimento stabiliti prima del riconoscimento: il testo di partenza esatto e la versione di partenza con la sola ſ → s. Entrambi i confronti normalizzano l'Unicode in NFC e compattano gli spazi vuoti, conservando maiuscole, minuscole e punteggiatura. Non applichiamo alcuna conversione all'output grezzo prima del calcolo del punteggio.

I numeri riportati di seguito rappresentano la distanza di modifica a livello di caratteri — inserimenti, cancellazioni e sostituzioni — e non una percentuale di accuratezza.

Lo zero in una riga indica una corrispondenza esatta per quel singolo, breve testo. Non dice nulla sulla pagina successiva di un libro reale. Al contrario, un modello che preserva correttamente ſ accumula ulteriori differenze se confrontato con un testo di riferimento che richiede s. Queste discrepanze descrivono una divergenza di criteri, non necessariamente un errore di riconoscimento.

Consulta tutti gli output e i punteggi originali, i testi sorgente fissati e i criteri di valutazioneo lo script di verifica. Il pacchetto registra gli hash SHA-256 in modo da poter associare a ciascun risultato il relativo modello, l'immagine e l'output.

Cosa non può dirti questo esperimento

Si tratta di due brani sintetici, nitidi e a caratteri grandi, non di scansioni di un'edizione d'epoca. Non abbiamo testato inchiostro sbiadito, caratteri minuti, margini interni, impaginazioni a colonne, carta danneggiata, scrittura a mano o trascrizioni umane indipendenti. Inoltre, non abbiamo testato un modello per il tedesco moderno, strumenti OCR commerciali né l'output di OCR o traduzione di BookTranslator.

Considera questi esempi come uno stimolo a esaminare il tuo materiale, non come una stima del tasso di errore sull'intero libro. Non sceglieremmo un servizio OCR per una collezione storica basandoci solo su questa tabella.

Esegui un test mirato sulle pagine che ti servono davvero

Se usi Tesseract in locale, annota la versione del motore e il file esatto del modello prima di confrontare i risultati. Il solo nome del modello non identifica il file scaricato. Il nostro registro di provenienza rimanda alle fonti pubbliche vincolate di modelli e font; i file pesanti dei modelli non sono inclusi nell'articolo.

Per la nostra immagine di prova a blocco singolo, con il modello per la scrittura Fraktur salvato localmente come models/Fraktur.traineddata, il comando è stato:

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

La documentazione da riga di comando di Tesseract illustra la modalità LSTM e l'ipotesi del blocco uniforme singolo del PSM 6. Questa supposizione si adatta bene alla nostra immagine di tre righe, ma non costituisce una raccomandazione a elaborare ogni pagina di libro a più colonne con il PSM 6.

Per il tuo libro, inizia con un passaggio che riesci a trascrivere con sicurezza e con una pagina più complessa rappresentativa del materiale da trattare. Includi un nome o un termine insolito, un numero e gli eventuali cambi di carattere tipografico. Se un volume alterna scritture o idiomi diversi, consulta la specifica guida all'OCR di PDF multilingue invece di dare per scontato che un unico paragrafo Fraktur chiaro sia indicativo dell'intero documento.

Mantieni la scansione invariata. Salva l'OCR grezzo separatamente dalle correzioni e registra l'identificatore della pagina o dell'immagine per ogni brano verificato. Se il risultato è illeggibile, riesamina l'immagine della pagina e la segmentazione prima di estendere il lavoro a centinaia di pagine.

Correggi la trascrizione senza inventare la parola mancante

Usa un semplice registro delle correzioni a quattro colonne: posizione di origine, OCR grezzo, lettura verificata e motivo. Il motivo dovrebbe distinguere chiaramente un errore visibile sui caratteri da una trasformazione editoriale.

Se in un PDF scaricato il testo è già selezionabile, confrontare il testo incollato con l'immagine prima di ricominciare da capo. La diagnosi del copia-incolla nei PDF spiega perché una pagina visibile può sembrare corretta anche se il suo testo nascosto o mappato è errato. Si tratta di un problema diverso dalla scelta di un modello di riconoscimento per la Fraktur.

Fermarsi dopo aver ottenuto un testo sorgente affidabile se la ricerca, la verifica delle citazioni o la lettura del tedesco costituivano l'intero obiettivo. La traduzione non è una fase obbligatoria di pulizia.

Tradurre solo quando la lingua rimane l'unico ostacolo

Per i lettori che necessitano di un'altra lingua, il testo sorgente verificato è il punto a partire dal quale la traduzione diventa utile. Mantenere distinti la scansione, la trascrizione revisionata e la traduzione, così da poter verificare se un passaggio controverso derivi dal riconoscimento o dalla traduzione. Il flusso di lavoro per la traduzione di PDF scansionati illustra il passaggio di consegne complessivo.

Se si sceglie il Traduttore PDF di BookTranslator, valutare una porzione rappresentativa del proprio documento prima di affidarsi al risultato completo. Il nostro esperimento non verifica la gestione della Fraktur storica da parte di BookTranslator. La sua modalità OCR ricostruisce un documento pulito e potrebbe alterare l'impaginazione originale, i caratteri e le dimensioni dei font; non considerare tale output come un facsimile né dare per scontato che i riferimenti alle pagine originali restino invariati.

La sequenza pratica è semplice: stabilire la lettura del testo sorgente, contrassegnare qualsiasi normalizzazione e solo dopo tradurre, se necessario. La scorrevolezza deve trovarsi al termine di questo processo, non sostituire le prove all'inizio.