Handschriftenerkennung für historische Dokumente
Kurrent, Sütterlin, lateinische Eigennamen und Fraktur-Vordrucke — gelesen, transkribiert und in strukturierte Felder überführt. Für Archive, Standesämter und Verwaltungen, deren wertvollste Bestände bislang nur über Findbücher und Vorwissen erreichbar sind.
Warum Standard-OCR an diesen Beständen scheitert
Texterkennung, die auf gedruckten Seiten hervorragende Ergebnisse liefert, gibt auf handschriftlichen Registern häufig gar nichts Verwertbares zurück. Das liegt nicht an der Auflösung der Digitalisate, sondern an sechs Eigenschaften des Materials.
Trainiert auf Druckschrift, nicht auf Schreibschrift
Standard-OCR erkennt Zeichenformen der gedruckten Antiqua. Kurrent hat eigene Buchstabenformen, stark abweichende Ober- und Unterlängen und Zeichen, die sich im Schriftbild kaum unterscheiden — e, n, m und u sind in flüssiger Hand nahezu identisch. Aus solchen Seiten entsteht kein fehlerhafter Text, sondern gar keiner.
Schriftwechsel mitten im Eintrag
In vielen Registern stehen Eigennamen in lateinischer Schreibschrift innerhalb eines sonst in Kurrent geführten Eintrags, während der Vordruck in Fraktur gesetzt ist. Verfahren, die pro Seite eine Schriftart annehmen, brechen genau an den Stellen ab, die für die Recherche am wichtigsten sind: bei Namen und Orten.
Vordruck und Eintragung werden vermischt
Bei Formularvordrucken gehören gedruckte Feldbezeichnung und handschriftlicher Wert inhaltlich zusammen. Zeilenweise Texterkennung liefert eine flache Textzeile, in der Bezeichnung und Wert nicht mehr auseinanderzuhalten sind — der Bestand wird dadurch nicht auswertbar, nur voller Text.
Randvermerke werden als Störung behandelt
Berichtigungen, Verweise und spätere Nachträge stehen am Rand des Eintrags, oft von anderer Hand, kleiner geschrieben oder quer gestellt. Klassische Layoutanalyse verwirft sie als Rauschen oder hängt sie an die nächstbeste Zeile an. Inhaltlich sind sie häufig der entscheidende Teil des Eintrags.
Doppelseiten bleiben eine Einheit
Eine analog aufgenommene Doppelseite enthält oft zwei getrennte Einträge. Ohne technische Trennung liefert jede Suche einen Treffer, der auf beide zeigt — Recherchierende müssen anschließend selbst herausfinden, welcher der beiden gemeint war.
Vorhandene Alt-OCR verfestigt die Fehler
Aus dem Digitalisierungsprozess liegt vielen Beständen bereits eine Textschicht bei, die auf Handschrift praktisch keinen verwertbaren Inhalt trägt. Wir übernehmen sie bewusst nicht, sondern erkennen jede Seite neu. Andernfalls wird die Fehlerquote des ersten Durchgangs für den gesamten Bestand festgeschrieben.
Kurrent, Sütterlin, Fraktur — und der Wechsel dazwischen
Der schwierige Teil historischer Bestände ist selten eine einzelne Schrift, sondern ihre Kombination auf derselben Seite: ein in Kurrent geführter Eintrag, dessen Eigennamen lateinisch geschrieben sind, in einem Vordruck, der in Fraktur gesetzt ist — ergänzt um einen Randvermerk von späterer Hand. Genau diese Mischung ist der Grund, warum die Seite als Ganzes gelesen werden muss und nicht Zeile für Zeile.
- Deutsche Kurrentschrift — die verbreitetste Schreibschrift in Amtsbüchern, Registern und Kanzleiakten des 19. und frühen 20. Jahrhunderts
- Sütterlin — deutlich seltener als allgemein angenommen, in Karteien und Vermerken des 20. Jahrhunderts aber regelmäßig anzutreffen
- Lateinische Schreibschrift für Eigennamen — häufig innerhalb desselben Eintrags, in dem der übrige Text in Kurrent geführt ist
- Fraktur in gedruckten und maschinengeschriebenen Formularvordrucken
- Kanzlei- und Übergangsformen sowie die individuellen Schreiberhände eines Hauses
- Gemischte Seiten aus Vordruck, Eintragung, Stempel, Randvermerk und späterem Nachtrag
Kurrent & Sütterlin
Historische deutsche Schreibschriften werden zeilengenau gelesen und in modernes Deutsch übertragen — mit Bezug zur Stelle im Digitalisat, an der die Lesung entstanden ist.
Lateinische Eigennamen
Der Wechsel zur lateinischen Schrift bei Namen wird als das behandelt, was er ist: eine bewusste Hervorhebung innerhalb des Eintrags — und nicht als Erkennungsfehler.
Fraktur-Vordrucke
Gedruckte und maschinengeschriebene Vordrucke in Fraktur werden gelesen und ihren handschriftlich ausgefüllten Werten zugeordnet, statt beides in eine Textzeile zu werfen.
Schreiberhände & Zustand
Jeder Bestand hat eigene Hände, Tintenstärken, Vordruckgenerationen und Erhaltungszustände. Genau darauf wird das Modell mit Material aus Ihrem Haus nachtrainiert.
Die Unterlagen, um die es in Archiven und Ämtern geht
Archive, Standesämter und Verwaltungen halten sehr unterschiedliche Materialien vor — vom streng gerasterten Vordruck bis zum durchgehenden Fließtext. Jeder dieser Bestandstypen stellt eine eigene Anforderung an die Erkennung.
Personenstandsregister
Geburts-, Heirats- und Sterberegister mit festem Eintragsaufbau, fortlaufender Nummerierung und Randspalte für Berichtigungen und Verweise. Der Vordruck gibt die Felder vor, die Hand füllt sie — beides muss zusammen gelesen werden.
Melde- & Adressbücher
Eng gesetzte, mehrspaltige Verzeichnisse mit Namen, Berufsbezeichnungen, Anschriften und Haushaltszugehörigkeiten. Die Kunst liegt hier in der Spaltentreue: Ein Wert in der falschen Spalte ist schlimmer als eine fehlende Lesung.
Bauakten
Genehmigungsvorgänge, Schriftverkehr, Lagepläne und handschriftliche Bearbeitungsvermerke in einer Akte. Aktenzeichen, Beteiligte, Grundstücksbezug und Verfahrensstand werden als eigenständige Felder erfasst.
Grundbuch- & Katasterunterlagen
Spaltenraster mit Flurstücksbezug, Eigentümerangaben, Lasten und Beschränkungen — durchsetzt von Rötungen, Streichungen und späteren Eintragungen, die den aktuellen Stand erst ergeben.
Vereins- & Sitzungsprotokolle
Fortlaufender Fließtext ohne Formularhilfe, mit wechselnden Schreibern über Jahre hinweg, Beschlüssen, Anwesenheitslisten und Unterschriften am Ende jeder Sitzung.
Karteikarten
Knappe, stark abgekürzte Einträge auf Vorder- und Rückseite, häufig von mehreren Bearbeitenden über Jahrzehnte fortgeschrieben. Abkürzungen werden erfasst und nicht stillschweigend ausgedeutet.
Volltext, Felder, Vermerke — und ein prüfbarer Wert dahinter
Ergebnis ist nicht eine Textdatei je Scan, sondern ein erschlossener Bestand: durchsuchbar im Volltext, auswertbar über definierte Felder und in jeder Lesung auf die Stelle im Digitalisat zurückführbar.
Vollständige Transkription jeder Seite
Jede Seite wird vollständig transkribiert — nicht nur die Felder, die im Zielschema vorgesehen sind. Daraus entsteht eine Volltextsuche über den Gesamtbestand, die auch das findet, was beim Entwurf des Feldschemas niemand auf dem Zettel hatte.
Feldbasierte Extraktion je Eintragstyp
Für jeden Eintragstyp werden die zu erfassenden Felder definiert und mit Wert geliefert. Felder, die auf einer Seite nicht vorkommen, werden leer zurückgegeben — sie werden nicht aus dem Kontext ergänzt und nicht aus der Nachbarzeile übernommen.
Konfidenzwert je Feld
Jedes Feld trägt einen Konfidenzwert zwischen 0,00 und 1,00. Sie legen die Schwelle fest, ab der ein Wert ungeprüft übernommen wird; alles darunter geht gezielt in die Sichtung. Gerade bei Handschrift bleibt damit nachvollziehbar, worauf ein Datensatz beruht.
Randvermerke & Nachträge
Handschriftliche Randvermerke und spätere Nachtragsvermerke werden miterfasst und dem zugehörigen Eintrag zugeordnet. Sie enthalten Berichtigungen und Verweise auf andere Register und entscheiden nicht selten darüber, ob ein Eintrag richtig verstanden wird.
Doppelseiten in Einzeleinträge trennen
Doppelseiten-Scans werden automatisch in Einzelseiten und, wo der Bestand es hergibt, in Einzeleinträge zerlegt. Recherchierende erhalten damit den betreffenden Eintrag als Treffer und nicht eine Doppelseite, auf der er irgendwo steht.
Neuerkennung statt Übernahme
Bereits vorhandene, für Handschrift meist unbrauchbare Alt-OCR aus dem Digitalisierungsprozess wird ignoriert. Grundlage ist immer das Bild, nicht der Text, den ein früherer Durchlauf daraus gemacht hat.
Leere Felder statt plausibler Erfindungen
Ein Feld, das im Eintrag nicht ausgefüllt ist, wird leer geliefert. Es wird weder aus dem Zusammenhang ergänzt noch aus der darüber liegenden Zeile übernommen. Für die Erschließung ist eine Lücke unproblematisch — ein erfundener Wert dagegen wandert in den Index, wird recherchiert und lässt sich später kaum noch als Fehler erkennen. Zusammen mit dem Konfidenzwert je Feld bleibt jederzeit sichtbar, was gelesen und was offen geblieben ist.
Ausgangsmaterial: Farbdigitalisate in PDF/A
Wir arbeiten mit den Digitalisaten, die in Archiven üblicherweise entstehen: Farbaufnahmen mit 300 dpi, ausgeliefert als PDF/A. Eine Neuaufnahme des Bestands ist nicht erforderlich, ebenso wenig eine Vorverarbeitung durch Ihr Haus. Entzerrung, Seitentrennung und Bildaufbereitung sind Teil unserer Verarbeitung; das Digitalisat selbst bleibt dabei unverändert erhalten.
Warum wir mit einem Vision-Sprachmodell arbeiten
Klassische HTR-Engines sind darauf ausgelegt, aus einem Zeilenbild eine Zeichenfolge zu erzeugen — und darin sind sie gut. In Registern wird darüber hinaus etwas anderes gebraucht: die Seite im Zusammenhang zu erfassen. Ein Vision-Sprachmodell liest deshalb nicht nur Zeichen, sondern den Eintrag als Ganzes.
Die Seite wird als Ganzes gesehen
Vordruckraster, Spalten, Randspalte und Eintragsgrenzen werden gemeinsam mit dem Text erfasst. Struktur ist damit Teil der Erkennung und nicht ein nachgelagerter Regelapparat auf flachem Text.
Kontext statt reiner Zeichenkette
Dass ein im Fließtext genannter Name die anzeigende Person bezeichnet und nicht die verstorbene, ergibt sich aus dem Satzbau des Eintrags — nicht aus dem Buchstabenbild. Genau diese Unterscheidung entscheidet über die Qualität des Index.
Mehrere Schriften auf einer Seite
Kurrent, lateinische Eigennamen und Fraktur-Vordruck werden in einem Durchlauf gelesen. Es ist kein Umschalten zwischen spezialisierten Engines nötig, das an den Übergängen Fehler erzeugt.
Transkription und Feldzuordnung in einem Schritt
Volltext und strukturierte Felder entstehen im selben Durchlauf aus derselben Bildwahrnehmung. Dadurch bleibt jeder Feldwert auf die Stelle im Digitalisat zurückführbar, aus der er stammt.
Nachträge werden als Nachträge erkannt
Ein Vermerk am Rand wird nicht nur gelesen, sondern in seiner Funktion erfasst: als Berichtigung, Verweis oder späterer Zusatz zu einem bestimmten Eintrag.
Nachtrainierbar auf Ihren Bestand
Das Modell wird mit Ground Truth aus Ihrem eigenen Material weitertrainiert. Klassische HTR-Engines sind auf Zeilenbilder stark; was Register zusätzlich verlangen, ist Verständnis der Seite — beides zusammen liefert dieses Vorgehen.
Zwei Phasen: erst einrichten und trainieren, dann verarbeiten
Ein Bestand wird nicht dadurch erschlossen, dass ein fertiges Modell über ihn läuft. Zuerst wird das Modell auf das Material und die Schreiberhände Ihres Hauses eingerichtet — erst danach wird in der Fläche verarbeitet, chargenweise und mit nachgewiesener Qualität.
Einrichtung & Modelltraining
Bestandsanalyse
Sichtung des Materials nach Schriftarten, Zeiträumen, Vordruckgenerationen und Erhaltungszustand. Daraus ergibt sich, welche Teilbestände gemeinsam trainiert werden können und wo eigene Modellstände nötig sind.
Ground Truth gemeinsam erarbeiten
Referenztranskriptionen entstehen zusammen mit Ihren Fachmitarbeitenden. Wer den Bestand kennt, liest Abkürzungen, Ortsbezeichnungen und Schreiberhände zuverlässiger als jeder externe Dienstleister — diese Kenntnis ist die Grundlage der Qualität.
Prüf- und Korrekturoberfläche
Eine Web-Oberfläche stellt Digitalisat und Lesung nebeneinander. Unsichere Felder sind markiert, Korrekturen erfolgen direkt am Bild — ohne Umweg über Tabellen und ohne Spezialsoftware auf den Arbeitsplätzen.
Korrekturen fließen zurück ins Modell
Jede Korrektur wird zu neuen Trainingsdaten. Die Erkennungsqualität für Ihre Schreiberhände und Vordrucke verbessert sich also mit dem Bestand, den Ihr Haus bearbeitet — und nicht erst mit dem nächsten Produktrelease.
Schulung der Mitarbeitenden
Die Fachstelle wird darin geschult, Ergebnisse zu prüfen, Schwellenwerte zu setzen und Korrekturen so vorzunehmen, dass sie dem Training tatsächlich nutzen.
Massenverarbeitung
Chargenweise Verarbeitung
Der Gesamtbestand wird in Chargen verarbeitet, die fachlich sinnvoll geschnitten sind — nach Bestandsgruppe, Zeitschnitt oder Vordruckgeneration. Jede Charge ist für sich prüfbar und abnahmefähig.
Dokumentierte Qualitätskennzahlen
Je Charge werden Zeichenfehlerrate, Wortfehlerrate und Feldgenauigkeit gegen eine geprüfte Referenzstichprobe ermittelt und dokumentiert — als belastbare Grundlage statt einer pauschalen Genauigkeitsangabe.
Abnahme durch die Fachstelle
Die Abnahme erfolgt je Charge durch Ihre Fachstelle anhand der ausgewiesenen Kennzahlen und einer eigenen Sichtprüfung. Erst danach geht die Charge in den produktiven Bestand über.
Nachbesserung bei Unterschreitung
Unterschreitet eine Charge die vereinbarte Mindestqualität, wird sie nachbearbeitet und erneut vorgelegt — mit gezieltem Nachtraining auf die Fehlerbilder, die zur Unterschreitung geführt haben.
Gemessen je Charge, nicht pauschal zugesichert
CER — Zeichenfehlerrate
Anteil der falsch erkannten Zeichen gegenüber der Referenztranskription. Die aussagekräftigste Kennzahl bei Handschrift, weil sie auch Teiltreffer sichtbar macht.
WER — Wortfehlerrate
Anteil der fehlerhaften Wörter. Näher an der Rechercheerfahrung: Ein einzelnes falsches Zeichen macht einen Familiennamen in der Volltextsuche unauffindbar.
Feldgenauigkeit
Anteil der Felder, deren Wert exakt der Referenz entspricht — getrennt je Feldtyp ausgewiesen, weil ein Datumsfeld anders schwierig ist als ein Familienname.
Abnahme je Charge, Nachbesserung bei Unterschreitung
Die Mindestqualität wird vor Beginn der Massenverarbeitung gemeinsam festgelegt — differenziert nach Bestandsgruppe, weil ein sauber geführtes Vordruckregister andere Werte zulässt als ein eng geschriebenes Protokollbuch. Jede Charge wird gegen diese Schwelle gemessen, die Ergebnisse werden dokumentiert und der Fachstelle zur Abnahme vorgelegt. Wird die Schwelle unterschritten, bessern wir nach und legen erneut vor.
Offene Formate statt Herstellerbindung
Die Erschließung eines Bestands ist eine Investition, die länger halten muss als jeder Softwarevertrag. Deshalb liefern wir ausschließlich in offenen, dokumentierten Standardformaten — jedes mit einem klaren Zweck im Archivalltag.
| Format | Verwendungszweck |
|---|---|
| PDF/A-2b | Langzeitarchivierung: Das Digitalisat bleibt unverändert, darüber liegt eine unsichtbare Volltextschicht. Durchsuchbar und kopierbar, ohne dass das Bild angetastet wird. |
| ALTO-XML | Wortgenaue Koordinaten zu jedem erkannten Token — Grundlage für die Treffer-Hervorhebung in der Volltextsuche und für den Sprung vom Suchergebnis an die Bildstelle. |
| TEI-XML (P5) | Auszeichnung nach TEI P5 für wissenschaftliche Editionen, Forschungsvorhaben und die Nachnutzung durch Hochschulen und Editionsprojekte. |
| IIIF-Manifest | Einbindung in gängige IIIF-Viewer, damit Digitalisat und Volltext im digitalen Lesesaal und in Verbundportalen gemeinsam ausgeliefert werden. |
| CSV / XLSX | Übernahme in Archiv-Informationssysteme sowie in Findmittel, Namens- und Ortsindizes — auch dort, wo keine Spezialsoftware im Einsatz ist. |
| JSON | Alle Feldwerte samt Position und Konfidenz maschinenlesbar — für die API-Anbindung an digitale Lesesäle, Portale und eigene Auswertungen. |
Weiterverwendbar auch ohne unsere Software
Das ist eine ausdrückliche Zusage und keine Nebenbedingung: Alle Ergebnisse — Volltexte, Wortkoordinaten, Felder samt Konfidenzwerten und Indizes — lassen sich vollständig weiterverwenden, auch wenn German-OCR eines Tages nicht mehr im Einsatz ist. Sie erhalten die Daten in dokumentierten Standardformaten und können sie jederzeit in ein anderes System überführen, ohne den Bestand ein zweites Mal erschließen zu müssen. Eine Abhängigkeit von uns entsteht dadurch nicht.
Der Bestand bleibt im Haus
Historische Register sind kein anonymes Material. Die Verarbeitung ist deshalb so aufgebaut, dass personenbezogene Daten die von Ihnen kontrollierte Umgebung nicht verlassen — technisch, nicht nur vertraglich.
Verarbeitung in Deutschland und der EU
Die Verarbeitung findet ausschließlich auf Servern in Deutschland beziehungsweise der EU statt. Es gibt keinen Verarbeitungsweg über Drittstaaten und keine Abhängigkeit von einem Angemessenheitsbeschluss.
On-Premise oder dedizierte Hardware
Betrieb wahlweise vollständig bei Ihnen im Haus oder auf dedizierter, ausschließlich Ihnen zugeordneter Hardware bei uns. Ein Mandantenbetrieb auf geteilten Ressourcen ist nicht erforderlich.
Keine Übermittlung an Modellhersteller
Personenbezogene Daten werden zu keinem Zeitpunkt an einen Modellhersteller oder an Server außerhalb der EU übermittelt — auch nicht für Telemetrie und auch nicht zur Verbesserung fremder Modelle.
Offenlegung der eingesetzten Modelle
Auf Wunsch legen wir offen, welche Modelle zum Einsatz kommen: Bezeichnung, Version, Herkunft und Betriebsweise. Für Datenschutzbeauftragte und interne Freigaben ist das dokumentierbar.
AVV und TOMs
Ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO sowie die Beschreibung der technischen und organisatorischen Maßnahmen liegen vor und können den Unterlagen beigefügt werden.
Datenschutz aus der Architektur
Ohne externe Schnittstellenaufrufe entsteht Datenschutzkonformität aus dem Aufbau des Systems — und nicht aus der Zusicherung eines Anbieters, dessen Verarbeitung Sie nicht einsehen können.
Warum das bei Personenstandsdaten kein Nebenpunkt ist
Personenstandsregister enthalten weit mehr als Namen und Daten. In Sterberegistern können etwa Todesursachen vermerkt sein, in Randvermerken Angaben, die Familienverhältnisse berühren — Angaben also, die besonderen Schutz verdienen und für die eine Cloud-Verarbeitung schlicht nicht in Betracht kommt. Aus diesem Grund findet die gesamte Verarbeitung einschließlich Training und Korrektur in Ihrer Umgebung oder auf dedizierter Hardware statt, und aus diesem Grund gibt es keinen Weg, auf dem Inhalte an einen Modellhersteller gelangen könnten.
Leistungsumfang im Überblick
Zuschnitt, Feldschemata und Betriebsform richten sich nach Ihrem Bestand.
- Erkennung von Kurrent, Sütterlin, lateinischen Eigennamen und Fraktur
- Vollständige Transkription plus feldbasierte Extraktion je Eintragstyp
- Konfidenzwert je Feld, leere Felder statt geratener Werte
- Erfassung von Randvermerken und Nachtragsvermerken
- Automatische Trennung von Doppelseiten in Einzeleinträge
- Web-Oberfläche zur Prüfung und Korrektur durch Ihre Fachstelle
- Qualitätskennzahlen je Charge: CER, WER und Feldgenauigkeit
- Export als PDF/A-2b, ALTO-XML, TEI-XML, IIIF, CSV/XLSX und JSON
Sprechen wir über Ihren Bestand
Wir sehen uns Ihre Schriften, Vordrucke und Erhaltungszustände an, zeigen die Erkennung an Probeseiten aus Ihrem eigenen Material und legen Feldschema, Qualitätsschwellen und Betriebsform gemeinsam mit Ihrer Fachstelle und Ihrer IT fest.