AI 能否识别 19 世纪德文手写体（Kurrent）？工具与实践指南
内容评分
摘要
本文聚焦 19 世纪德文手写体（Kurrent）的机器识别难题，评估了 Transkribus、Kraken、Tesseract 等 AI OCR 方案，并提供了以开源 Kraken 为例的完整部署与训练步骤。通过对比商业云服务与自建模型的优劣，给出实用的选型建议，帮助历史文献研究者实现批量手写文本的自动转录。
正文
背景
研究家族史时，常会碰到 19 世纪教区档案——洗礼、婚姻、死亡登记等记录多为神父手写，使用的是古德语书写体（如 Kurrent）。这些手稿的辨认难度极大，传统 OCR 完全失效。
现有 AI 方案概览
| 方案 | 关键特性 | 适用程度 |
|------|----------|----------|
| Transkribus | 专注历史文献 OCR，提供预训练的德文手写模型，可自行标注 | 高（商业 SaaS，免费额度有限） |
| Kraken | 开源 OCR 引擎，支持自定义字符集，已有 Kurrent 示例模型 | 中（需要自行准备训练数据） |
| Tesseract + 自训练模型 | 免费开源，支持 LSTM，需用 tessdata_best 并自行训练德文手写体 | 低‑中（训练门槛高） |
| Google Cloud Vision / Azure Form Recognizer | 云服务，提供手写文字检测 API，支持多语言但对古体识别率不佳 | 低（主要针对现代手写） |
| Handwritten Text Recognition (HTR) 项目（e.g. deepmind/handwriting) | 学术代码库，基于 CNN‑RNN‑CTC，需大量标注数据 | 低（实验性） |
实践步骤（以 Kraken 为例）
- 安装
pip install kraken。 - 准备训练数据：收集已转录的 Kurrent 样本，使用
kraken -i image.png -o transcription.txt生成对应的.gt.txt。 - 训练模型：
kraken train -o de_kurrent.pyrnn.gz -i train/*.png -t train/*.gt.txt --augment。 - 批量识别：
kraken -i batch/*.png -o results/ -m de_kurrent.pyrnn.gz。 - 后处理：利用正则或词典校正常见的古德语拼写变体。
使用经验小结
- Transkribus 上手最快，上传图片即可得到可编辑的文本，但对大批量处理成本较高。
- Kraken 需要一定的机器学习背景和标注工作，但一旦模型训练完成，离线批处理速度快且可自由部署。
- 纯粹的商业云 OCR 对 Kurrent 的识别率普遍在 30% 以下，仍需人工校对。
推荐路线
- 先在 Transkribus 上试跑几页，评估可接受的准确率。
- 若需求量大且预算有限，投入时间构建 Kraken 自定义模型。
- 长期可考虑结合 Tesseract 与自训练的 LSTM 模型，形成混合流水线。
温馨提示：古德语手写体的字符集与现代德文差异显著，务必在训练集里覆盖常见的连笔、变体和省略符号，否则模型会出现系统性错误。