OCR et HTR pour vos imprimés et manuscrits

Un texte exploitable, vérifié par des humains.

Nous traitons aussi bien les fichiers que nous numérisons que ceux que vous avez déjà : livres, fiches dactylographiées, magazines, titres de presse ou registres manuscrits.

Pour les manuscrits, les modèles de reconnaissance sont entraînés sur vos propres fonds à partir de transcriptions relues et validées par nos équipes : la précision progresse au fil du projet.

Ce que nous traitons

• Livres et fiches : Textes imprimés et dactylographiés.
• Presse et magazines : Mises en page complexes, colonnes, articles.
• Manuscrits : Écritures latines, arabes ou cursives anciennes.
• Polycopiés et faux manuscrits : Stencils et polices cursives imitant l’écriture à la main.
• Vos fichiers existants : OCR et HTR de vues déjà numérisées.

Fiche technique

• Imprimés : OCR multilingue, plus de 600 langues
• Manuscrits : HTR entraînée sur vos fonds, plus de 75 langues
• Fichiers livrés : PDF texte, PDF/A, TXT, XML ALTO, TEI XML
• Qualité : OCR : 98 % en automatique, jusqu’à 100 % après relecture ; HTR : 98 % et plus après relecture
• Mesure : Taux d’erreur sur les mots (WER) et les caractères (CER)
• Contrôle : Relecture et validation des transcriptions, échantillonnage ISO 2859
• Validation : Formats validés avec l’outil du CINES, empreintes SHA-256
• Usages : Recherche plein texte, analyse, IA

Une méthode, deux voies.

Les mêmes six étapes, du fichier reçu au texte livré, avec des outils adaptés à ce qu’il faut lire : des imprimés d’un côté, des manuscrits de l’autre.

Les images sont préparées de la même façon, puis chaque voie suit ses propres réglages : moteurs et dictionnaires pour les imprimés, modèles entraînés sur votre fonds pour les manuscrits. Dans les deux cas, un opérateur relit et un contrôle par échantillonnage mesure la qualité avant la livraison.

Dans les deux cas

• F : o
• E : m
• R : a

Imprimés · OCR — Livres, fiches, presse, dactylographiés

• Réception : Images TIFF ou JPEG, contrôle d’intégrité et de complétude.
• Analyse de la page : Blocs, colonnes et ordre de lecture, corrigés par un opérateur.
• Choix du modèle : Dictionnaires adaptés à la langue et à la période, typographies anciennes comprises.
• Reconnaissance : Plusieurs moteurs d’OCR croisés par un vote pondéré.
• Relecture : Relecture et correction par un opérateur.
• Contrôle : Échantillon ISO 2859 ; un lot hors tolérance est repris.

Manuscrits · HTR — Écritures latines, arabes, cursives anciennes, faux manuscrits

• Réception : Images TIFF ou JPEG, contrôle d’intégrité et de complétude.
• Analyse de la page : Zones, lignes et lignes de base ; segmentation manuelle si besoin.
• Choix du modèle : Choix parmi plus de 150 modèles publics, selon l’époque et l’écriture.
• Reconnaissance : Réseaux de neurones, modèle privé réentraîné sur votre fonds.
• Relecture : Ligne par ligne, image à gauche et texte à droite, guidé par la confiance des mots.
• Contrôle : Taux d’erreur sur les mots et les caractères, échantillon ISO 2859.

La qualité, à chaque étape.

Une qualité chiffrée, pas supposée.

Chaque lot est mesuré au taux d’erreur sur les mots, avec un suivi du taux d’erreur sur les caractères pour détecter les dérives. Un échantillon est contrôlé selon la norme ISO 2859, et tout volume sous le seuil est repris intégralement.

Un rapport de performance indique le taux mesuré et validé pour chaque lot, avec les zones problématiques repérées : mentions illisibles, pages manquantes, anomalies de reproduction.

Des fichiers prêts pour la conservation.

Les fichiers XML ALTO sont validés contre les schémas de référence, et les PDF texte sont produits au format PDF/A. Les formats sont vérifiés avec l’outil du CINES, et une empreinte SHA-256 est calculée pour chaque fichier livré afin de garantir son intégrité.

Les livrables suivent les recommandations de la BnF ou le référentiel de votre plateforme, avec une arborescence et un nommage conformes à vos règles.

Des textes prêts à l’usage.

Des textes prêts à rejoindre votre bibliothèque numérique, votre moteur de recherche ou vos projets d’analyse.

• XML ALTO : Un fichier par page : mise en page, blocs, lignes et position de chaque mot.
• PDF texte et PDF/A : Image et texte caché, en plusieurs niveaux de compression, pour la recherche plein texte.
• TXT et TEI XML : Texte brut par vue ou fusionné, et encodage TEI pour les humanités numériques.
• Rapport de qualité : Taux mesuré, zones problématiques et validation des formats, pour chaque lot.

Bibliothèques, archives et universités nous confient la transcription de leurs fonds.

• Académie des sciences : Numérisation de documents manuscrits et traitements HTR.
• Gouvernement du Grand-Duché de Luxembourg : Traitements OCR et structuration XML ALTO de documents tapuscrits et manuscrits fragiles.
• Ville de Marseille : Numérisation d’archives, de presse et de documents anciens, avec traitement OCR au format XML ALTO.
• Université catholique de Lille : Numérisation de revues et de registres, OCR au format ALTO.
• École normale supérieure : Numérisation de fonds scientifiques et patrimoniaux, océrisation au format ALTO.
• Université de Bordeaux et Bordeaux Montaigne : Numérisation et OCR complexe, saisie et structuration au format XML et CSV.

Questions fréquentes

Quelle différence entre OCR et HTR ?

L’OCR reconnaît les textes imprimés et dactylographiés, dont les caractères sont réguliers. L’HTR, fondée sur l’intelligence artificielle, lit les écritures manuscrites, ainsi que les polices proches de l’écriture à la main qu’un OCR classique ne sait pas traiter. Les deux transforment vos images en texte que l’on peut rechercher, copier et analyser.

Quelle qualité peut-on attendre ?

Pour les imprimés, l’OCR atteint 98 % en automatique, et jusqu’à 100 % après relecture. Pour les manuscrits, la reconnaissance brute donne environ 80 % de mots corrects selon la lisibilité de l’écriture ; une relecture humaine ligne par ligne porte le résultat à 98 % ou plus. La qualité est mesurée au taux d’erreur sur les mots, sur un échantillon selon la norme ISO 2859.

Comment les modèles HTR sont-ils adaptés à mon fonds ?

Nous choisissons d’abord, parmi plus de 150 modèles publics, celui qui correspond à l’époque, à la langue et à l’écriture. Nous entraînons ensuite un modèle privé à partir de transcriptions relues et validées sur votre fonds : plus il reçoit d’exemples corrigés, plus il progresse au fil du projet. Plus de 75 langues sont prises en charge, dont l’arabe.

Quels fichiers vais-je recevoir ?

Des fichiers XML ALTO (un par page, avec la position de chaque mot), des PDF texte ou PDF/A en plusieurs niveaux de compression, du texte brut par vue ou fusionné et, sur demande, du TEI XML, du DOCX ou des tableaux CSV. Les formats sont validés et un rapport de qualité accompagne chaque lot.

Comment se déroule un projet, et comment en estimer le coût ?

Nous traitons vos images existantes (TIFF ou JPEG) comme celles que nous numérisons. Un essai sur un échantillon valide le modèle, la segmentation et les livrables avant la production, suivie par un interlocuteur unique. Le coût dépend du volume de pages, de la nature des écritures et du niveau de qualité demandé : décrivez votre fonds dans notre outil de devis pour obtenir une estimation.