OCR 识别 Fraktur 文本：先保留原文，再考虑现代化

要对印刷体 Fraktur 进行 OCR，应选择支持该字体的模型，用一小段文字与页面进行比对测试，并决定转录文本是保留长 s（ſ）还是将其规范化为 s。将经过核对的源转录文本与任何现代化或翻译版本分开保存。看起来更熟悉的词未必是对印刷原文更忠实的解读。

我们测试了两段简短的合成德语文本，分别使用 Fraktur 字体和现代字体作为对照。即使在这些清晰的图像上，Fraktur 模型仍将一段中的 iſt 改为 ift，另一段中改为 if。有用的结果并非工具排名：它表明识别字符、选择转录规范以及将语言现代化是三件不同的事。

本指南针对印刷页面。它不适用于手写体 Kurrent 或 Sütterlin、受损手稿或整个历史收藏的工作流程。

在运行 OCR 之前，先确定什么算正确

在比较工具之前，先写下一句话的转录政策。例如：“保留源拼写和长 s；标记我无法核实的词。”否则，你可能会将有意为之的规范化视为错误——或者因为看起来流畅而接受不想要的改写。

OCR-D 为这一区别提供了具体示例。其 Level 1 指南将长 s 和圆 s 都表示为 s；Level 2 和 3 则区分它们。这些是转录规范，而非将每个旧拼写转换为现代对应形式的指令。参见官方 Level 1 s 规则 和 Level 2/3 s 规则。

对于个人阅读项目，请将这些输出分开保存：

第二行仅将 ſ 改为 s；它并未实现所有 OCR-D Level 1 规则。第三行还更改了源拼写。两个衍生版本都不应悄悄替换面向源文本的转录。

特别要注意，不要全局将字母 f 替换为 s。我们失败的 OCR 输出包含 ift，但源文本中也可能出现真正的 f。应根据图像修正单词，而不是依据一刀切的替换规则。

我们的八次调用实验中发生了什么

2026 年 9 月 11 日，我们用 UnifrakturMaguntia 和 Noto Sans 渲染了两段原创的三行教学文本。每张图像均使用两个固定的 Tesseract 模型进行识别：tessdata_best Fraktur 脚本模型及其英语模型。英语配置是对照，并非现代德语基线。

所有八次调用均使用 Tesseract 5.5.3、LSTM 模式（--oem 1）、单一文本块（--psm 6）和 300 dpi。在原始实验中，我们没有更改设置、排除结果或重试识别。9 月 12 日对同样八张图像的打包重放复现了保存的输出字节。

这些图像确实使用 Apple CoreText 并启用连字进行整形，而非绘制为未整形的字符框。它们在 2200 × 460 的白色画布上使用 64 像素文本。图像、字形计数检查、字体许可证、模型哈希和原始输出均可在实验包说明中获取。

专用模型仍需修正

第一行源文本为：

Das Waſſer iſt klar.

在 Fraktur 字体图像上，Fraktur 模型返回：

Das Waſſer ift klar.

该行大部分内容得以保留，但 iſt 中的 ſ 变成了 f。在第二段中，Das Thal iſt weit. 变成了 Das Thal if weit.：识别过程改变了一个字符，又漏掉了另一个字符。把输出读作看似合理的德语，并不能替代对原文的核对。

现代字体对照组中出现了另一种错误。Fraktur 模型保留了第一段中的词语，却把 Buch 12; Seite 27; Nummer 105. 中的两个分号改成了冒号。如果只检查长 s，就会漏掉这些标点变化。

目标文本会改变评分结果

我们将每个原始输出与识别前固定的两个目标进行比对评分：精确的源文本，以及仅将 ſ → s 后的源文本。两种比较都会将 Unicode 规范化为 NFC 并合并空白；它们保留大小写和标点。评分前我们不会对原始输出做折叠处理。

下面的数字是字符编辑距离——插入、删除和替换——而非准确率百分比。

某一行中的零表示该单个短输入完全匹配。这并不能说明真实书籍的下一页会怎样。反过来，一个正确保留了 ſ 的模型，在与要求 s 的目标对比时，会产生额外的差异。这些差异描述的是策略不匹配，而不一定是识别错误。

查看所有原始输出与评分、固定源文本与评分策略，或验证脚本。该包记录了 SHA-256 哈希值，因此可以将模型、图像和输出与每个结果对应起来。

这个实验无法告诉你什么

这两段是干净、大字号、合成生成的文本——并非旧版书籍的扫描件。我们没有测试褪色墨水、小字号、装订沟、分栏、破损纸张、手写体或独立的人工转写。我们也没有测试现代德语模型、商业 OCR 工具，或 BookTranslator 的 OCR 或翻译输出。

请把这些示例当作检查你自己材料的理由，而不是对整本书错误率的估计。我们不会根据这张表为历史馆藏选择 OCR 服务。

在你真正需要的页面上进行有边界的测试

如果你在本地使用 Tesseract，请在比较输出之前记录引擎版本和确切的模型文件。仅凭模型名称无法识别下载的文件。我们的来源记录链接了固定的公共模型和字体来源；大型模型文件并未随文章打包。

对于我们的单块示例图像，将 Fraktur 手写体模型本地保存为 models/Fraktur.traineddata，命令为：

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

Tesseract 的命令行文档解释了 LSTM 模式以及 PSM 6 的单均匀块假设。该假设适合我们的三行图像。这并不是建议用 PSM 6 处理每一页多栏书籍页面。

对于你自己的书，请从一段你能自信转写的段落开始，再选一页能代表所需材料的较难页面。包含一个名称或不熟悉的术语、一个数字，以及任何变化的字体。如果一本书交替使用不同文字或语言，请使用单独的混合语言 PDF OCR 指南，而不是假设一个干净的 Fraktur 段落就能覆盖整个文档。

保持扫描件不变。将原始 OCR 结果与修正内容分开保存，并记录每个已核对段落的页码或图像标识符。如果输出无法辨认，请先重新检查页面图像和分割结果，再决定是否将任务扩展到数百页。

修正转录文本，但不要凭空补出缺失的词

使用一个包含四列的简易修正日志：源位置、原始 OCR、核对后的读法、理由。理由应区分可见的字符错误与编辑性改写。

如果下载的 PDF 中文本已经可以选中，请先将粘贴出的文本与图像进行比对，再决定是否从头开始。PDF 复制粘贴诊断解释了为什么一个可见页面看起来正常，但其隐藏文本或映射文本却是错误的。这与选择 Fraktur 识别模型是不同的问题。

如果搜索、引文核对或阅读德语就是全部任务，那么在生成可靠的源文本后即可停止。翻译并不是必需的清理步骤。

只有当语言仍然是障碍时才进行翻译

对于需要另一种语言的读者来说，经过核对的源文本正是翻译变得有用的起点。请让扫描件、审校后的转录文本和译文保持可区分，这样你就能判断有争议的段落是源于识别还是翻译。扫描 PDF 翻译工作流提供了更广泛的交接说明。

如果你选择 BookTranslator 的 PDF 翻译器，请先评估你自己文档中具有代表性的一部分，再依赖完整结果。我们的实验并未验证 BookTranslator 对历史 Fraktur 字体的处理能力。其 OCR 模式会重建一份干净的文档，并可能改变原始页面布局、字体和字号；不要将该输出视为影印件，也不要假设原始页码引用会原样保留。

实际顺序很简单：先确定源文本读法，再标注任何规范化处理，然后按需翻译。流畅性属于这一过程的最后一步——而不是在开头取代证据。