OCR für mehrere Sprachen und Schriften

Text ist nicht gleich Text. Während lateinische Buchstaben in Europa und Amerika Standard sind, verwenden Milliarden von Menschen täglich Schriften, die grundlegend anders aufgebaut sind: Arabisch schreibt von rechts nach links, Chinesisch verwendet Tausende einzelne Zeichen, Devanagari verbindet Buchstaben durch horizontale Linien. Für OCR-Systeme ist diese Vielfalt eine der größten technischen Herausforderungen.

Wie OCR Sprachen unterscheidet

Ein OCR-System arbeitet auf zwei Ebenen: Der erste Schritt ist die visuelle Mustererkennung einzelner Zeichen. Der zweite Schritt ist die sprachliche Nachkorrektur, bei der erkannte Zeichenfolgen mit Wörterbüchern abgeglichen werden, um wahrscheinlichere Varianten zu bevorzugen.

Für diesen zweiten Schritt muss das System wissen, in welcher Sprache der Text verfasst ist. Das Wort “Straße” ist im Deutschen eindeutig, in einem rein englischen Wörterbuch würde das “ß” nicht auftauchen und als Fehler behandelt werden. Die Sprachauswahl beeinflusst damit nicht nur die Zeichenerkennung, sondern auch die Fehlerkorrektur.

Lateinische Schriften: Groß, aber nicht einheitlich

Auch innerhalb des lateinischen Alphabets gibt es erhebliche Unterschiede. Akzente wie é, ü, ñ oder ç, diakritische Zeichen in osteuropäischen Sprachen wie ł, ź oder ě, und ligaturierte Buchstaben wie æ oder œ können bei schlecht kalibrierten Systemen zu Fehlern führen.

Deutsch hat mit dem ß ein Zeichen, das im ASCII-Raum nicht existiert und in internationalen Texten manchmal durch “ss” ersetzt wird. OCR-Systeme müssen trainiert sein, dieses Zeichen korrekt zu erkennen und nicht als “B” oder als unbekanntes Symbol zu behandeln.

Besonders bei historischen Dokumenten kommt hinzu, dass frühere Schriftformen wie die Fraktur oder Kanzleischrift eigene Zeichensätze erfordern. Moderne Druckschrift-OCR-Modelle scheitern an Fraktur regelmäßig, weshalb spezialisierte Modelle nötig sind.

Kyrillisch und Griechisch

Kyrillische Schriften werden für Russisch, Ukrainisch, Bulgarisch, Serbisch und viele weitere Sprachen genutzt. Die Buchstaben sehen manchmal lateinischen ähnlich (P vs. Р, C vs. С), sind aber unterschiedliche Zeichen. Ohne explizites Training auf kyrillischen Zeichensätzen neigen Systeme dazu, kyrillische Buchstaben als ähnlich aussehende lateinische zu interpretieren.

Griechisch verwendet ein weiteres eigenständiges Alphabet, das ebenfalls gesondert trainiert werden muss. Wissenschaftliche Texte mischen oft griechische Buchstaben mit lateinischem Fließtext, was für OCR-Systeme eine besondere Herausforderung darstellt.

Arabisch, Persisch und Hebräisch: Rechts-nach-links

Semitische Schriften haben neben der Leserichtung eine weitere Besonderheit: Buchstaben verbinden sich je nach Position im Wort unterschiedlich. Das arabische Wort für “Haus” sieht im Anlaut anders aus als im In- oder Auslaut. OCR-Systeme müssen diese Ligaturformen kennen und auflösen können.

Zusätzlich fehlen in vielen arabischen Texten die Vokalzeichen (Harakat), die nur in religiösen oder Lehrtexten gesetzt werden. Das OCR-System muss also Konsonantenwörter ohne vollständige Vokalmarkierung erkennen und interpretieren.

Chinesisch, Japanisch und Koreanisch

Diese Schriftsysteme erfordern besonders umfangreiche Zeichenmodelle. Das Unicode-Repertoire für CJK-Zeichen (Chinesisch, Japanisch, Koreanisch) umfasst über 90.000 Einträge. Vereinfachtes und Traditionelles Chinesisch verwenden teils unterschiedliche Zeichenformen.

Japanisch kombiniert drei Schriftsysteme gleichzeitig: Hiragana, Katakana und Kanji. Ein Satz kann alle drei enthalten, was für OCR bedeutet, dass ständig zwischen verschiedenen Erkennungsmodellen gewechselt werden muss.

Die Trainingsanforderungen für CJK-OCR sind enorm. Systeme wie Tesseract bieten separate Sprachdateien an, die gezielt nachgeladen werden müssen. Das Tool unterstützt die gängigsten Sprachen, wobei Latein-basierte Sprachen im Schnitt die besten Erkennungsraten liefern.

Gemischte Dokumente

Technische Dokumente, wissenschaftliche Artikel oder internationale Verträge enthalten oft Texte in mehr als einer Sprache oder mit eingestreuten Sonderzeichen aus anderen Schriftsystemen. Die Lösung ist die parallele Aktivierung mehrerer Sprachmodelle.

Das hat jedoch einen Preis: Je mehr Sprachen gleichzeitig aktiv sind, desto größer wird der Suchraum für die Fehlerkorrektur. Das System muss dann zwischen ähnlichen Wörtern in verschiedenen Sprachen abwägen, was die Verarbeitungszeit erhöht und unter Umständen Fehler produziert, wenn häufige Wörter einer Sprache seltenen Wörtern einer anderen ähneln.

Historische Schriften

Für Archivare und Historiker ist OCR auf historischen Dokumenten ein Kernthema. Fraktur, Kurrent, Sütterlin und andere historische Drucktypen haben eigene Zeichenformen, die von modernen Trainingsmodellen nicht abgedeckt werden. Spezialprojekte wie das historische Zeitungsarchiv der Deutschen Nationalbibliothek haben eigene Modelle trainiert, die für diese Schrifttypen optimiert sind.

Praktische Empfehlungen

Wer Dokumente in anderen Sprachen als Deutsch oder Englisch verarbeiten möchte, sollte folgende Punkte beachten:

• Die richtige Sprache vor dem Start auswählen, auch wenn das Ergebnis auf den ersten Blick ähnlich wirkt
• Bei gemischten Dokumenten beide relevanten Sprachen aktivieren
• Besondere Aufmerksamkeit auf Sonderzeichen und diakritische Zeichen legen
• Bei historischen Dokumenten nach spezialisierten Modellen suchen

Die sprachliche Qualität des Trainingsdatensatzes entscheidet am Ende darüber, wie gut ein System mit einer bestimmten Sprache umgehen kann. Für Standardsprachen wie Deutsch, Englisch, Französisch oder Spanisch sind die Modelle gut ausgebaut. Für seltenere Sprachen oder historische Schriftformen lohnt sich ein Vergleich verschiedener Werkzeuge.