Publicité

Lancement d'OCR4all, un outil open source et gratuit de reconnaissance de caractères anciens pour les chercheurs en histoire et les archivistes

  • ocr_wurzburg.jpg

    Narrenschiff
    Page d'une version française du Narrenschiff de Sébastien Brant (Bibliothèque d'État et d'université de Dresde, CC BY-SA 4.0)
  • Imaginez un logiciel capable de reconnaître, presque à coup sûr, les lettres "e", "c", "v" ou "r" dans un texte ancien.

    Comment transformer les polices d'écriture d'ouvrages imprimés séculaires numérisés en des fichiers textes lisibles sur ordinateurs quand on n'est pas un expert informatique ? Ce défi, attendu par nombre d'historiens, d'archivistes et de chercheurs en sciences humaines, a été relevé par une équipe de recherche de l'Université de Würzburg, en Allemagne. Celle-ci vient de mettre à la disposition de la communauté scientifique un nouvel outil de reconnaissance automatique de caractères : OCR4all. Fiable et open source, il convertit les écrits historiques numérisés en fichiers texte avec un taux d'erreur annoncé de moins de 1%. Ergonomique et facile d'utilisation, il ne nécessite aucune expertise en programmation et est d'ores et déjà disponible gratuitement, avec explications et exemples, sur la plateforme GitHub.

    L'informatique et les sciences humaines main dans la main

    OCR4all a été créé par l'équipe du projet JMU Kallimachos, financé par le ministère fédéral allemand de l'éducation et de la recherche, et qui rassemble des chercheurs, des étudiants et des assistants en informatique appliquée, en intelligence artificielle et en sciences humaines numériques. La filière des études allemandes et romanes et des études littéraires a été également associée au développement d'OCR4all avec l'objectif de numériser l'ouvrage allemand le Narrenschiff (La Nef des fous) publié en 1494 par le Strasbourgeois Sebastien Brant. 

    A chaque imprimerie ses lettres

    Pour qui s'intéresse de loin à la reconnaissance automatique de caractères (OCR), le défi peut sembler modeste. Et pourtant : si l'OCR est une technologie mature et qui fonctionne très bien pour les polices de caractères modernes, il n'en était rien pour les polices historiques. Les lettres "e", "c", "v" ou "r", sont nottamment très difficiles à distinguer dans les textes anciens. "L'un des problèmes les plus importants était la typographie, explique Christian Reul, expert en IA et en informatique appliquée, directeur par interim de l'unité de numérisation ; l’une des raisons est que les premiers imprimeurs du 15e siècle n’utilisaient pas de polices uniformes. Leurs timbres d’impression ont tous été sculptés par eux-mêmes, chaque imprimerie disposant pratiquement de ses propres lettres." 

    À lire sur Archimag
    Les podcasts d'Archimag
    Le Syndicat intercommunal d'énergies de Maine-et-Loire (SIÉML) s’est lancé dans un grand projet d’archivage électronique en 2023. L’opportunité de réduire l’impact carbone tout en optimisant les processus est apparue au cours du projet. Agnès Arendo, archiviste et déléguée à la protection des données du SIÉML, revient sur la mise en route et les grandes étapes de ce chantier.

    Serda Formations Archives 2023

    Indispensable

    Bannière BDD.gif