Tecnologías de HTR aplicadas al proyecto ANR-D4R
Résumé
El proyecto D4R representa un enfoque interdisciplinario hacia la comprensión de la historia, combinando métodos de las humanidades digitales con un análisis detallado de documentos del siglo XVI sobre la Reforma en España. Un aspecto crucial de este proyecto es el proceso de obtención de los contenidos textuales de estos documentos. Para este fin, se utilizan tecnologías avanzadas de reconocimiento óptico de caracteres (OCR) y reconocimiento de texto manuscrito (HTR), que permiten adquirir textos históricos a partir de fotografías de una manera eficiente y precisa. Esta comunicación compara varias herramientas OCR y HTR para determinar las más adecuadas para nuestro proyecto. OCR y HTR hacen referencia a tecnologías que convierten diferentes tipos de documentos, como imágenes escaneadas de textos impresos o manuscritos, en datos editables y buscables. El HTR es un campo relacionado que se centra en la transcripción de texto manuscrito. En el presente estudio, se examinaron varias herramientas OCR. Para realizar esta comparación, se utilizó un conjunto de documentos de prueba y se aplicó cada herramienta, evaluando su rendimiento en términos de precisión, velocidad y facilidad de uso. También se consideró la capacidad de cada herramienta para manejar diferentes tipos de texto y escritura. La adopción de tecnologías de reconocimiento de texto ha evolucionado significativamente en el ámbito de las humanidades digitales, y especialmente en proyectos de transcripción de documentos históricos. En nuestra evaluación, cada herramienta, incluyendo Abbyy FineReader, OCR4ALL, Tesseract, Transkribus y Kraken, presentó ventajas únicas. Abbyy FineReader sobresalió por su facilidad de uso y alta precisión en textos impresos claros, mientras que OCR4ALL y Tesseract se distinguieron por su rendimiento con textos impresos históricos y su capacidad para ser personalizados y mejorados mediante el entrenamiento, aunque exigiendo un trabajo técnico importante en el pretratamiento de las imágenes. Kraken, con su enfoque en textos impresos multilingües y polialfabéticos, demostró ser una opción potente para proyectos de gran diversidad lingüística, aunque nos hemos encontrado con la dificultad de no poseer una instancia propia de cálculo para el entrenamiento de modelos, la transcripción y la correción. Transkribus, con su sólida capacidad para manejar tanto textos manuscritos como impresos y su opción de entrenamiento de modelos, demostró ser la herramienta más versátil y adecuada para nuestras necesidades específicas. Después de considerar los pros y los contras de cada herramienta, hemos seleccionado Transkribus como nuestra herramienta principal para el proyecto D4R. La decisión se basó en su habilidad única para manejar una gran variedad de textos, su fuerte enfoque en el reconocimiento de texto manuscrito (HTR), y la posibilidad de entrenar modelos personalizados para mejorar la precisión. Esta capacidad de personalización es particularmente útil para nuestro corpus de textos del siglo XVI sobre la Reforma en España, que presenta desafíos únicos en términos de estilos de escritura y terminología. También se tuvo en cuenta la existencia de una instancia de cálculo utilizable de inmediato y la disposición de una interfaz que permite trabajar desde el navegador o desde la aplicación en local. La selección de Transkribus tiene implicaciones significativas para nuestro proyecto. Nos permite abordar de manera más eficiente la transcripción de nuestro corpus, facilitando una mayor velocidad y precisión en la adquisición de textos. En los próximos pasos, centraremos nuestros esfuerzos en el entrenamiento de modelos personalizados en Transkribus para optimizar aún más su rendimiento con nuestros documentos. Además, al estar alineados con el principio de acceso abierto, procuraremos compartir nuestros modelos entrenados y descubrimientos para contribuir al avance de las humanidades digitales y el reconocimiento de texto en general. Es importante destacar que este proceso de selección y validación de herramientas no es un evento único, sino que requerirá una evaluación y adaptación continuas a medida que avanzamos en nuestro análisis. Sin embargo, creemos que la metodología descrita en esta presentación proporciona una base sólida para esta tarea crítica y sentará las bases para un análisis histórico más profundo y significativo en el futuro. Con el avance de la tecnología y el desarrollo de nuevas herramientas, estaremos en una posición favorable para adaptarnos y continuar nuestro importante trabajo en el proyecto D4R.