OCR para texto Fraktur: preserve o original antes de o modernizar

Para aplicar OCR a texto impresso em Fraktur, escolha um modelo compatível com esta caligrafia, teste uma pequena passagem face à página e decida se a 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 um aspeto mais familiar não é necessariamente uma leitura mais fiel do texto impresso.

Testámos duas passagens curtas e sintéticas em alemão numa fonte Fraktur e um texto de controlo numa fonte moderna. Mesmo nestas imagens limpas, o modelo de Fraktur alterou iſt para ift numa passagem e para if noutra. O resultado útil não foi uma classificação de ferramentas vencedoras: foi a demonstração de que reconhecer os carateres, escolher uma convenção de transcrição e modernizar a língua são três tarefas distintas.

Este guia destina-se a páginas impressas. Não define um fluxo de trabalho para Kurrent ou Sütterlin manuscritos, manuscritos danificados ou coleções históricas inteiras.

Decida o que considera correto antes de executar o OCR

Defina uma política de transcrição numa frase antes de comparar ferramentas. Por exemplo: «Manter a ortografia original e o s longo; assinalar palavras que não seja possível verificar.» Caso contrário, poderá penalizar uma normalização intencional como um erro — ou aceitar uma reescrita indesejada só porque parece fluida.

O OCR-D oferece um exemplo concreto desta distinção. As suas Nível 1 diretrizes representam o s longo e o s redondo como s; Níveis 2 e 3 distinguem-nos. Trata-se de convenções de transcrição, não de uma instrução para converter cada grafia antiga no seu equivalente moderno. Consulte as regras oficiais regras para s do Nível 1 e regras para s dos Níveis 2/3.

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

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

Em particular, não substitua globalmente a letra f por s. O nosso resultado de OCR incorreto contém ift, mas um f genuíno também pode ocorrer no original. Corrija a palavra confrontando-a com a imagem, e não com recurso a uma regra de substituição cega.

O que aconteceu na nossa experiência de oito execuções

A 11 de setembro de 2026, renderizámos duas passagens didáticas 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 de inglês. A configuração de inglês serve de contraste, não de referência para o alemão moderno.

Todas as oito chamadas utilizaram o Tesseract 5.5.3, modo LSTM (--oem 1), um único bloco de texto (--psm 6) e 300 dpi. Não alterámos as definições, não excluímos resultados nem repetimos o reconhecimento dentro da experiência original. Uma repetição do pacote a 12 de setembro com as mesmas oito imagens reproduziu exatamente os bytes de saída guardados.

As imagens foram genuinamente compostas com Apple CoreText e ligaduras ativadas, em vez de serem desenhadas como caixas de carateres sem modelação. Utilizam texto de 64 píxeis numa tela branca de 2200 × 460. As imagens, verificações de contagem de glifos, licenças de tipos de letra, hashes dos modelos e saídas em bruto estão disponíveis nas instruções do pacote da experiência.

Um modelo especializado continuou a necessitar de correção

A primeira linha de origem era:

Das Waſſer iſt klar.

Na imagem com fonte Fraktur, o modelo Fraktur devolveu:

Das Waſſer ift klar.

A maior parte da linha manteve-se, mas ſ em iſt transformou-se em f. No segundo excerto, Das Thal iſt weit. passou a Das Thal if weit.: o reconhecimento alterou um caráter e omitiu outro. Considerar o resultado um alemão plausível não substitui a verificação do original.

Houve uma falha diferente no controlo com fonte moderna. O modelo Fraktur manteve as palavras no primeiro excerto, mas substituiu os dois pontos e vírgula em Buch 12; Seite 27; Nummer 105. por dois pontos. Se tivéssemos verificado apenas o s longo, não teríamos detetado estas alterações na pontuação.

O texto-alvo altera a pontuação

Avaliámos cada saída em bruto face a dois textos-alvo definidos antes do reconhecimento: o texto de origem exato e o texto de origem apenas ſ → s. Ambas as comparações normalizam o Unicode para NFC e condensam espaços em branco; mantêm maiúsculas/minúsculas e pontuação. Não normalizamos a saída em bruto antes de a pontuar.

Os números abaixo representam distâncias de edição de carateres — inserções, eliminações e substituições — e não uma percentagem de precisão.

O zero numa linha significa uma correspondência exata para essa entrada curta. Não diz nada sobre a página seguinte de um livro real. Por outro lado, um modelo que mantém corretamente ſ recebe diferenças adicionais quando comparado com um alvo que requer s. Essas diferenças descrevem uma divergência de critérios, não necessariamente um erro de reconhecimento.

Inspecione todos os resultados originais e pontuações, os textos de origem fixos e a política de pontuação, ou o script de verificação. O pacote regista hashes SHA-256 para que o modelo, a imagem e o resultado possam ser associados a cada resultado.

O que esta experiência não lhe pode dizer

Estes são dois excertos sintéticos, nítidos e com tipo de letra grande — não são digitalizações de uma edição antiga. Não testámos tinta desvanecida, letra pequena, medianizes, colunas, papel danificado, manuscritos nem transcrições humanas independentes. Também não testámos 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 o 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 nesta tabela.

Execute um teste delimitado nas páginas de que realmente precisa

Se utilizar o Tesseract localmente, anote a versão do motor e o ficheiro exato do modelo antes de comparar resultados. O nome do modelo por si só não identifica o ficheiro descarregado. O nosso registo de proveniência inclui ligações para as fontes públicas de modelos e tipos de letra fixados; os ficheiros de modelos volumosos não são incluídos no artigo.

Para a nossa imagem de amostra de bloco único, com o modelo de escrita Fraktur guardado 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 da linha de comandos do Tesseract explica o modo LSTM e o pressuposto de bloco único uniforme do PSM 6. Esse pressuposto adequa-se à nossa imagem de três linhas. Não constitui uma recomendação para processar todas as páginas de livros com várias colunas com o PSM 6.

Para o seu próprio livro, comece com uma passagem que consiga transcrever com confiança e uma página mais difícil representativa do material de que necessita. Inclua um nome ou termo desconhecido, um número e eventuais alterações tipográficas. Se um livro alternar entre tipos de letra ou idiomas, utilize o guia de OCR para PDF em vários idiomas em vez de presumir que um parágrafo nítido em Fraktur se aplica a todo o documento.

Mantenha a digitalização inalterada. Guarde o OCR em bruto separadamente das correções e registe a página ou o identificador de imagem de cada passagem verificada. Se o resultado for ilegível, reveja a imagem da página e a segmentação antes de expandir o trabalho para centenas de páginas.

Corrija a transcrição sem inventar a palavra em falta

Utilize um pequeno registo de correções com quatro colunas: localização de origem, OCR em bruto, leitura verificada e motivo. O motivo deve distinguir um erro de carateres visível de uma transformação editorial.

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

Pare após produzir um texto de partida fiável se pesquisar, verificar citações ou ler em alemão era todo o objetivo do trabalho. A tradução não é uma etapa de limpeza obrigatória.

Traduzir apenas quando o idioma continuar a ser o obstáculo

Para leitores que precisam de outro idioma, a fonte verificada é o ponto a partir do qual a tradução se torna útil. Mantenha a digitalização, a transcrição revista e a tradução distinguíveis, para conseguir perceber se uma passagem contestada teve origem no reconhecimento ou na tradução. O fluxo de trabalho de tradução de PDFs digitalizados apresenta a transição de forma mais abrangente.

Se optar pelo Tradutor de PDF do BookTranslator, avalie uma parte representativa do seu próprio documento antes de confiar no resultado completo. A nossa experiência não verifica o tratamento de Fraktur histórica por parte do BookTranslator. O seu Modo OCR reconstrói um documento limpo e pode alterar o esquema de página original, os tipos de letra e os respetivos tamanhos; não trate esse resultado como um fac-símile nem assuma que as referências de página originais permanecem inalteradas.

A ordem prática é simples: estabeleça a leitura da fonte, identifique qualquer normalização e, em seguida, traduza se necessário. A fluência pertence ao final desse processo — e não ao início, em substituição das provas.