OCR para texto em Fraktur: preserve o original antes de modernizá-lo

Para fazer o OCR de textos impressos em Fraktur, escolha um modelo compatível com essa escrita, teste um trecho curto comparando-o com a página e decida se sua transcrição deve manter o s longo, ſ, ou normalizá-lo para s. Mantenha a transcrição original verificada separada de qualquer modernização ou tradução. Uma palavra com aparência mais familiar não é necessariamente uma leitura mais fiel do impresso.

Testamos dois trechos curtos e sintéticos em alemão em uma fonte Fraktur e em um controle com fonte moderna. Mesmo nessas imagens limpas, o modelo de Fraktur alterou iſt para ift em um trecho e para if em outro. O resultado útil não foi um ranking da melhor ferramenta: foi a demonstração de que reconhecer os caracteres, escolher uma convenção de transcrição e modernizar o idioma são três tarefas distintas.

Este guia é voltado para páginas impressas. Ele não estabelece um fluxo de trabalho para Kurrent ou Sütterlin manuscritos, manuscritos danificados ou uma coleção histórica inteira.

Decida o que conta como correto antes de executar o OCR

Defina uma diretriz de transcrição em uma frase antes de comparar ferramentas. Por exemplo: “Manter a ortografia de origem e o s longo; marcar palavras que eu não conseguir verificar.” Caso contrário, você pode penalizar uma normalização intencional como se fosse erro — ou aceitar uma reescrita indesejada só porque ela parece fluida.

O OCR-D fornece um exemplo concreto dessa distinção. Suas diretrizes do Nível 1 representam o s longo e o s redondo como s; Níveis 2 e 3 os diferenciam. Essas são convenções de transcrição, não uma instrução para converter toda grafia antiga em seu equivalente moderno. Consulte as regras para o s no Nível 1 e as regras para o s nos Níveis 2/3.

Para um projeto de leitura pessoal, mantenha estes resultados separados:

A segunda linha altera apenas ſ para s; ela não implementa todas as regras do Nível 1 do OCR-D. A terceira linha também altera a ortografia original. Nenhum dos derivados deve substituir silenciosamente a transcrição orientada à fonte.

Em especial, não substitua globalmente a letra f por s. O resultado com falha do nosso OCR contém ift, mas um f autêntico também pode ocorrer na fonte. Corrija a palavra comparando-a com a imagem, e não com base em uma regra de substituição cega.

O que aconteceu em nosso experimento de oito chamadas

Em 11 de setembro de 2026, renderizamos dois trechos didáticos originais de três linhas em UnifrakturMaguntia e Noto Sans. Cada imagem foi reconhecida com dois modelos fixos do Tesseract: o modelo de escrita Fraktur tessdata_best e o seu modelo em inglês. A configuração em inglês serve apenas como contraste, não como referência de alemão moderno.

Todas as oito chamadas usaram o Tesseract 5.5.3, modo LSTM (--oem 1), um único bloco de texto (--psm 6) e 300 dpi. Não alteramos as configurações, não excluímos resultados nem repetimos o reconhecimento no experimento original. Uma reprodução do pacote em 12 de setembro com as mesmas oito imagens gerou exatamente os mesmos bytes de saída salvos.

As imagens foram formatadas de forma autêntica com o Apple CoreText e ligaduras ativadas, em vez de serem desenhadas como caixas de caracteres sem modelagem. Elas usam texto de 64 pixels em uma tela branca de 2200 × 460. As imagens, verificações de contagem de glifos, licenças de fontes, hashes de modelos e saídas brutas estão disponíveis nas instruções do pacote do experimento.

Um modelo especializado ainda precisou de correções

A primeira linha de origem era:

Das Waſſer iſt klar.

Na imagem com fonte Fraktur, o modelo Fraktur retornou:

Das Waſſer ift klar.

A maior parte da linha sobreviveu, mas ſ em iſt virou f. No segundo trecho, Das Thal iſt weit. virou Das Thal if weit.: o reconhecimento alterou um caractere e omitiu outro. Ler a saída como um alemão plausível não substitui a verificação com o original.

Houve uma falha diferente no controle com fonte moderna. O modelo Fraktur manteve as palavras no primeiro trecho, mas transformou os dois pontos e vírgulas em Buch 12; Seite 27; Nummer 105. em dois-pontos. Verificar apenas o s longo não teria detectado essas alterações de pontuação.

O texto-alvo de referência altera a pontuação

Avaliamos cada saída bruta em relação a dois alvos definidos antes do reconhecimento: o texto exato de origem e a origem com apenas ſ → s. Ambas as comparações normalizam o Unicode para NFC e agrupam espaços em branco; elas mantêm maiúsculas, minúsculas e pontuação. Não simplificamos a saída bruta antes de pontuá-la.

Os números abaixo representam distâncias de edição de caracteres (inserções, exclusões e substituições), e não uma porcentagem de precisão.

O zero em uma linha indica uma correspondência exata para aquela única entrada curta. Isso não diz nada sobre a próxima página de um livro real. Por outro lado, um modelo que preserva corretamente ſ recebe diferenças adicionais quando comparado a um objetivo que exige s. Essas diferenças descrevem uma divergência de diretriz, não necessariamente uma falha de reconhecimento.

Inspecione todas as saídas e pontuações originais, os textos de origem fixos e a diretriz de pontuaçãoou o script de verificação. O pacote registra hashes SHA-256 para que o modelo, a imagem e a saída possam ser associados a cada resultado.

O que este experimento não pode lhe dizer

Estes são dois trechos sintéticos, limpos e com fontes grandes — não digitalizações de uma edição antiga. Não testamos tinta desbotada, letras pequenas, medianizes, colunas, papel danificado, manuscritos ou transcrições humanas independentes. Também não testamos um modelo de alemão moderno, ferramentas comerciais de OCR nem os resultados de OCR ou tradução do BookTranslator.

Encare os exemplos como motivos para inspecionar seu próprio material, e não como uma estimativa das taxas de erro de um livro inteiro. Não escolheríamos um serviço de OCR para uma coleção histórica com base apenas nesta tabela.

Execute um teste delimitado nas páginas de que você realmente precisa

Se você usa o Tesseract localmente, registre a versão do mecanismo e o arquivo exato do modelo antes de comparar as saídas. Apenas o nome do modelo não identifica o arquivo baixado. Nosso registro de procedência vincula as fontes públicas fixadas de modelos e tipografias; os arquivos grandes de modelos não estão incluídos no artigo.

Para a nossa imagem de amostra de bloco único, com o modelo de escrita Fraktur salvo localmente como models/Fraktur.traineddata, o comando foi:

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

A documentação de linha de comando do Tesseract explica o modo LSTM e a premissa de bloco único e uniforme do PSM 6. Essa premissa se encaixa na nossa imagem de três linhas. Não é uma recomendação para processar todas as páginas de livros com várias colunas usando o PSM 6.

Para o seu próprio livro, comece com um trecho que você consiga transcrever com confiança e uma página mais difícil que seja representativa do material necessário. Inclua um nome ou termo desconhecido, um número e eventuais variações de tipografia. Se o livro alternar escritas ou idiomas, use o guia separado de OCR para PDFs com múltiplos idiomas em vez de presumir que um único parágrafo claro em Fraktur cubra o documento inteiro.

Mantenha a digitalização original intacta. Salve o OCR bruto separadamente das correções e registre o identificador da página ou imagem para cada trecho verificado. Se o resultado estiver ilegível, reavalie a imagem da página e a segmentação antes de expandir o trabalho para centenas de páginas.

Corrija a transcrição sem inventar a palavra que falta

Use um pequeno registro de correções com quatro colunas: localização de origem, OCR bruto, leitura verificada e motivo. O motivo deve diferenciar um erro visual de caractere de uma alteração editorial.

Se já for possível selecionar o texto em um PDF baixado, compare o texto colado com a imagem antes de começar do zero. O diagnóstico de copiar e colar em PDF explica por que uma página visível pode parecer correta enquanto seu texto oculto ou mapeado está errado. Esse é um problema diferente de escolher um modelo de reconhecimento para Fraktur.

Pare após produzir um texto de origem confiável se a pesquisa, a verificação de citações ou a leitura do alemão era todo o trabalho necessário. A tradução não é uma etapa obrigatória de limpeza.

Traduza apenas quando o idioma ainda for o obstáculo

Para os leitores que precisam de outro idioma, a fonte verificada é o ponto em que a tradução se torna útil. Mantenha a digitalização, a transcrição revisada e a tradução distinguíveis para que você possa identificar se uma passagem controversa se originou no reconhecimento ou na tradução. O fluxo de trabalho para tradução de PDFs digitalizados fornece essa transição mais ampla.

Se você escolher o Tradutor de PDF do BookTranslator, avalie uma parte representativa do seu próprio documento antes de confiar no resultado completo. Nosso experimento não verifica o processamento de Fraktur histórica pelo BookTranslator. Seu Modo OCR reconstrói um documento limpo e pode alterar o layout da página original, fontes e tamanhos de fonte; não trate essa saída como um fac-símile nem presuma que as referências da página original permaneçam inalteradas.

A ordem prática é simples: estabeleça a leitura do texto original, identifique qualquer normalização e, em seguida, traduza, se necessário. A fluência pertence ao final desse processo — e não no lugar das evidências no início.