Fejlesztési projektünk célja, hogy a csak kézírásos formában elérhető gyűjtemények feldolgozásához egy olyan ingyenesen használható, nyílt hozzáférésű eszközökre épülő platformot biztosítson, amellyel az eredetileg képként tárolt anyagokból kereshető, digitális feldolgozásra valóban alkalmas dokumentumok hozhatók létre. A kézírás felismertetésére a TrOCR eszközhöz elérhető alapmodelleket finomhangoltunk magyar, illetve latin nyelvre a Transcribus szolgáltatásával összehasonlítható eredménnyel. Jelenleg három modell áll rendelkezésre: a 900 oldalnyi, többszerzős Arany János levelezésen és hivatali iratokon tanított modell magyar nyelvű szövegekhez, a Rerum Ungaricarum Libri korpusz 200 oldalán tanított modell latin nyelvű kódexekhez, a Magyar Nemzeti Levéltártól kapott 200 oldalnyi anyagon tanított modell pedig levéltári iratok feldolgozásához. A szolgáltatás egy webes interfészen és Rest API-n keresztül is igénybe vehető.

Kulcsszavak: kézírás-felismertetés, TrOCR, Kraken, Alto-XML

Web services of the Digital Heritage National Laboratory for automatic handwriting recognition

The aim of the development project is to provide a free and open-access platform for processing collections available only in handwritten form. This platform enables the creation of searchable and digitally processable documents from materials originally stored as images. We fine-tuned basic models available in the TrOCR tool for handwriting recognition in Hungarian and Latin languages, with results comparable to the Transcribus service. Currently, three models are available: one trained on a 900-page, multi-author collection of correspondence and official documents by Arany János for Hungarian texts, one trained on 200 pages of the Rerum Ungaricarum Libri corpus for Latin codices, and one trained on 200 pages of archival documents obtained from the Hungarian National Archives. The service can be accessed through a web interface and via a REST API.

Keywords: HTR, TrOCR, Kraken, Alto-XML

https://doi.org/10.31915/NWS.2023.24