OCR Teks Fraktur: Pelihara Teks Asal Sebelum Memodenkannya
Gunakan eksperimen OCR Fraktur yang kecil dan boleh diulang untuk membezakan ralat pengecaman daripada penormalan long s sebelum mencari atau menterjemah buku lama.
Untuk melakukan OCR pada teks Fraktur bercetak, pilih model yang menyokong tulisan tersebut, uji petikan pendek berbanding halaman asal, dan tentukan sama ada transkrip anda perlu mengekalkan long s, ſ, atau menormalkannya kepada s. Pastikan transkrip sumber yang telah disemak diasingkan daripada sebarang pemodenan atau terjemahan. Perkataan yang kelihatan lebih biasa dilihat tidak semestinya bacaan yang lebih tepat bagi teks bercetak tersebut.
Kami menguji dua petikan bahasa Jerman sintetik yang pendek dalam fon Fraktur serta satu kawalan fon moden. Walaupun pada imej yang jelas ini, model Fraktur menukar iſt kepada ift dalam satu petikan dan kepada if dalam petikan yang lain. Hasil yang berguna ini bukanlah penarafan alat terbaik: ia adalah bukti bahawa mengecam aksara, memilih konvensyen transkripsi, dan memodenkan bahasa merupakan tiga tugas yang berbeza.
Panduan ini adalah untuk halaman bercetak. Ia tidak menetapkan aliran kerja untuk tulisan tangan Kurrent atau Sütterlin, manuskrip yang rosak, atau keseluruhan koleksi sejarah.
Tentukan apa yang dikira betul sebelum menjalankan OCR
Tulis dasar transkripsi satu ayat sebelum membandingkan alat. Sebagai contoh: “Kekalkan ejaan sumber dan long s; tandakan perkataan yang tidak dapat saya sahkan.” Jika tidak, anda mungkin menganggap penormalan yang disengajakan sebagai satu ralat—atau menerima penulisan semula yang tidak diingini semata-mata kerana ia kelihatan lancar.
OCR-D menyediakan contoh konkrit bagi perbezaan ini. Garis panduan Tahap 1 miliknya mewakili long s dan round s sebagai s; Tahap 2 dan 3 membezakannya. Ini adalah konvensyen transkripsi, bukan arahan untuk menukar setiap ejaan lama kepada padanan modennya. Lihat panduan rasmi bagi peraturan s Tahap 1 dan peraturan s Tahap 2/3.
Untuk projek pembacaan peribadi, pastikan output ini diasingkan:
| Output | Contoh daripada teks pengajaran karangan kami | Kegunaan |
|---|---|---|
| Transkrip berorientasikan sumber | Die rothe Blume ſteht hier. | Menyemak aksara yang dicamkan berbanding imej |
| Penerbitan dinormalkan s-panjang | Die rothe Blume steht hier. | Mencari atau membaca tanpa perbezaan s-panjang |
| Penerbitan dimodenkan | Die rote Blume steht hier. | Versi editorial berasingan dengan perubahan ejaan |
Baris kedua hanya menukar ſ kepada s; ia tidak melaksanakan semua peraturan OCR-D Tahap 1. Baris ketiga turut menukar ejaan sumber. Kedua-dua versi terbitan ini tidak seharusnya menggantikan transkrip berorientasikan sumber secara senyap-senyap.
Khususnya, jangan gantikan huruf f dengan ssecara menyeluruh. Output OCR kami yang gagal mengandungi ift, tetapi huruf f yang sebenar juga boleh muncul dalam sumber. Betulkan perkataan berpandukan imej, bukannya berdasarkan peraturan penggantian menyeluruh.
Apa yang berlaku dalam eksperimen lapan panggilan kami
Pada 11 September 2026, kami paparkan dua petikan pengajaran asli sebanyak tiga baris dalam UnifrakturMaguntia dan Noto Sans. Setiap imej dicamkan dengan dua model Tesseract tetap: model skrip Fraktur tessdata_best dan model bahasa Inggerisnya. Konfigurasi bahasa Inggeris ini adalah sebagai perbandingan, bukan penanda aras bahasa Jerman moden.
Kesemua lapan panggilan menggunakan Tesseract 5.5.3, mod LSTM (--oem 1), satu blok teks tunggal (--psm 6), dan 300 dpi. Kami tidak mengubah tetapan, mengecualikan hasil, atau mencuba semula pengecaman dalam eksperimen asal. Main semula pembungkusan pada 12 September bagi lapan imej yang sama telah menghasilkan semula bait output yang disimpan.
Imej-imej tersebut dibentuk secara tulen dengan Apple CoreText berserta ligatur yang didayakan, bukannya dilukis sebagai kotak aksara tanpa bentuk. Imej tersebut menggunakan teks 64 piksel pada kanvas putih 2200 × 460. Imej, semakan kiraan glif, lesen fon, hash model dan output mentah tersedia dalam arahan pakej eksperimen.
Model khusus masih memerlukan pembetulan
Baris sumber pertama ialah:
Das Waſſer iſt klar.
Pada imej fon Fraktur, model Fraktur mengembalikan:
Das Waſſer ift klar.
Sebahagian besar baris berjaya dikekalkan, tetapi ſ dalam iſt menjadi f. Dalam petikan kedua, Das Thal iſt weit. menjadi Das Thal if weit.: pengecaman telah mengubah satu aksara dan menggugurkan satu lagi aksara. Membaca output sebagai bahasa Jerman yang munasabah bukanlah pengganti kepada tindakan menyemak teks asal.
Terdapat kegagalan berbeza dalam kawalan fon moden. Model Fraktur mengekalkan perkataan dalam petikan pertama tetapi menukar dua tanda koma bertitik dalam Buch 12; Seite 27; Nummer 105. kepada tanda titik bertindih. Menyemak s panjang sahaja pasti akan terlepas pandang perubahan tanda baca tersebut.
Sasaran mengubah skor
Kami memberi skor kepada setiap output mentah berbanding dua sasaran yang ditetapkan sebelum pengecaman: teks sumber tepat, dan sumber dengan hanya ſ → s. Kedua-dua perbandingan menormalkan Unicode kepada NFC dan meruntuhkan ruang putih; ia mengekalkan huruf besar/kecil dan tanda baca. Kami tidak melipat output mentah sebelum memberi skor kepadanya.
Nombor di bawah ialah jarak suntingan aksara—penyisipan, pemadaman dan penggantian—bukan peratusan ketepatan.
| Petikan | Fon yang dirender | Model OCR | Suntingan berbanding sumber tepat | Suntingan berbanding sasaran dinormalkan s-panjang sahaja |
|---|---|---|---|---|
| S panjang dan nombor | Fraktur | Fraktur | 1 | 6 |
| S panjang dan nombor | Fraktur | Bahasa Inggeris | 8 | 8 |
| S panjang dan nombor | Noto Sans | Fraktur | 2 | 8 |
| S panjang dan nombor | Noto Sans | Bahasa Inggeris | 7 | 7 |
| Ejaan bergaya sejarah | Fraktur | Fraktur | 2 | 4 |
| Ejaan bergaya sejarah | Fraktur | Bahasa Inggeris | 7 | 7 |
| Ejaan bergaya sejarah | Noto Sans | Fraktur | 0 | 3 |
| Ejaan berbentuk sejarah | Noto Sans | Bahasa Inggeris | 4 | 4 |
Sifar dalam satu baris bermaksud padanan tepat untuk satu input pendek tersebut. Ia tidak menggambarkan apa-apa tentang halaman seterusnya bagi buku sebenar. Sebaliknya, model yang mengekalkan ſ dengan betul akan menerima perbezaan tambahan apabila dibandingkan dengan sasaran yang memerlukan s. Perbezaan tersebut menggambarkan ketidakserasian dasar, dan bukannya salah pengecaman semata-mata.
Periksa semua output dan skor asal, teks sumber tetap dan dasar pemarkahan, atau skrip pengesahan. Pakej ini merekodkan cincangan SHA-256 supaya model, imej dan output dapat dipadankan dengan setiap hasil.
Perkara yang tidak dapat dijelaskan oleh eksperimen ini
Ini hanyalah dua petikan sintetik yang bersih dengan fon yang besar—bukan imbasan daripada edisi lama. Kami tidak menguji dakwat pudar, cetakan kecil, ruang celah halaman, lajur, kertas rosak, tulisan tangan, atau transkripsi manusia yang bebas. Kami juga tidak menguji model bahasa Jerman moden, alat OCR komersial, atau output OCR mahupun terjemahan BookTranslator.
Anggap contoh-contoh ini sebagai dorongan untuk memeriksa bahan anda sendiri, bukan sebagai anggaran kadar ralat untuk keseluruhan buku. Kami tidak akan memilih perkhidmatan OCR untuk koleksi sejarah hanya berdasarkan jadual ini.
Jalankan ujian terhad pada halaman yang anda perlukan
Jika anda menggunakan Tesseract secara setempat, rekod versi enjin dan fail model yang tepat sebelum membandingkan output. Nama model sahaja tidak mencukupi untuk mengenal pasti fail yang dimuat turun. Rekod asal-usul kami memautkan sumber model dan fon awam yang ditetapkan; fail model yang besar tidak disertakan bersama artikel ini.
Bagi imej sampel blok tunggalkami, dengan model skrip Fraktur yang disimpan secara setempat sebagai models/Fraktur.traineddata, arahannya adalah:
tesseract samples/long-s-fraktur.png stdout --tessdata-dir ./models -l Fraktur --oem 1 --psm 6 --dpi 300
Dokumentasi baris arahan Tesseract menerangkan mod LSTM dan andaian blok seragam tunggal bagi PSM 6. Andaian itu bersesuaian dengan imej tiga baris kami. Ini bukanlah syor untuk memproses setiap halaman buku berbilang lajur menggunakan PSM 6.
Bagi buku anda sendiri, mulakan dengan petikan yang boleh anda transkripsikan dengan yakin dan satu halaman yang lebih sukar yang mewakili bahan yang anda perlukan. Sertakan nama atau istilah yang tidak lazim, nombor, dan sebarang muka taip yang berubah-ubah. Jika sesebuah buku menyelang-nyelikan skrip atau bahasa, gunakan panduan OCR PDF pelbagai bahasa yang berasingan daripada mengandaikan satu perenggan Fraktur yang jelas mewakili keseluruhan dokumen.
Kekalkan imbasan tanpa sebarang perubahan. Simpan OCR mentah secara berasingan daripada pembetulan, dan catatkan pengecam halaman atau imej bagi setiap petikan yang disemak. Jika output tidak boleh dibaca, semak semula imej halaman dan segmentasi sebelum memperluas tugasan kepada beratus-ratus halaman.
Betulkan transkrip tanpa mereka-reka perkataan yang hilang
Gunakan log pembetulan ringkas dengan empat lajur: lokasi sumber, OCR mentah, bacaan yang disemak, dan sebab. Sebab tersebut harus membezakan ralat aksara yang kelihatan daripada pengubahan editorial.
| Pemerhatian | Tindakan berguna | Tindakan yang perlu dielakkan |
|---|---|---|
Imej jelas menunjukkan iſt; OCR memaparkan ift | Betulkan kejadian ini berpandukan imej | Gantikan setiap f di dalam dokumen |
OCR mengekalkan rothe, tetapi anda mahukan rote untuk memudahkan pembacaan | Kekalkan bentuk sumber dan hasilkan derivatif moden yang berlabel | Menganggap pemodenan sebagai pembetulan OCR |
| Nombor atau tanda baca berbeza | Semak lokasi tersebut walaupun ayat di sekelilingnya lancar | Semak bentuk huruf yang luar biasa sahaja |
| Imej tersebut sememangnya tidak dapat dibaca | Tandakan ketidakpastian dalam transkrip kerja anda dan kekalkan rujukan imej | Terima perkataan terjana yang munasabah sebagai bukti yang dipulihkan |
Jika teks sudah boleh dipilih dalam PDF yang dimuat turun, bandingkan teks yang ditampal dengan imej sebelum bermula semula. Diagnosis salin-tampal PDF menerangkan sebab halaman yang kelihatan mungkin nampak betul sedangkan teks tersembunyi atau teks yang dipetakan adalah salah. Itu masalah yang berbeza daripada memilih model pengecaman Fraktur.
Berhenti selepas menghasilkan teks sumber yang boleh dipercayai jika carian, semakan petikan, atau membaca bahasa Jerman adalah keseluruhan tugasan anda. Terjemahan bukanlah langkah pembersihan yang wajib.
Terjemah hanya apabila bahasa masih menjadi penghalang
Bagi pembaca yang memerlukan bahasa lain, sumber yang telah disemak ialah titik di mana terjemahan mula berguna. Pastikan imbasan, transkrip yang disemak dan terjemahan dapat dibezakan supaya anda tahu sama ada petikan yang dipertikaikan berpunca daripada pengecaman atau terjemahan. Aliran kerja terjemahan PDF diimbas menyediakan peralihan yang lebih luas.
Jika anda memilih Penterjemah PDF BookTranslator, nilaikan bahagian yang mewakili daripada dokumen anda sendiri sebelum bergantung pada hasil penuh. Eksperimen kami tidak mengesahkan pengendalian Fraktur bersejarah oleh BookTranslator. Mod OCR miliknya membina semula dokumen yang bersih dan mungkin mengubah susun atur halaman, fon serta saiz fon asal; jangan anggap output tersebut sebagai faksimili atau mengandaikan rujukan halaman asal kekal tanpa perubahan.
Turutan praktikalnya mudah: tetapkan bacaan sumber, labelkan sebarang penormalan, kemudian terjemah jika perlu. Kelancaran terletak di penghujung proses tersebut—bukannya menggantikan bukti pada permulaannya.
Catatan Berkaitan
