ciudadania-alemana-trini-lopez

Herramientas para leer manuscrito alemán antiguo (Kurrent / Sütterlin)

Verificado el 2026-09-17 (modelos confirmados vía API de Hugging Face, Zenodo y GitHub).

Los documentos del caso están en Kurrent del siglo XIX (matrículas consulares, índices de Hamburgo, bautismo de Lübeck). Sütterlin es posterior (1911–1941). Conviene elegir modelos entrenados en siglo XIX.

Recomendación rápida

Si quieres…	Usa
Resultado bueno sin programar	Transkribus (web), modelo German Kurrent o German_Kurrent_XIX_pylaia
Gratis, local, en Python	TrOCR dh-unibe/trocr-kurrent (Hugging Face)
Pipeline open source completo (segmentar página + reconocer)	Kraken + modelo de Zenodo
Leer pocas entradas puntuales	Claude u otro modelo con visión, con recortes ampliados (así se leyó la matrícula N° 687)

1. Transkribus — la opción más madura

• Plataforma de READ-COOP, estándar en archivos europeos. Web: https://www.transkribus.org
• Modelos públicos relevantes:
  • German Kurrent — Kurrent, Sütterlin y Fraktur, siglos XVII–XX.
  • German_Kurrent_XIX_pylaia — específico del siglo XIX.
  • Transkribus Early Kurrent M1 — siglos XVI a comienzos del XIX.
• Costo: plan gratuito con 50 créditos/mes; manuscrito = 1 crédito por página. Planes pagos desde ~€8,25/mes. La API existe (con descuento en créditos) pero en planes de organización.
• Ventaja: segmenta la página sola (tablas, columnas) y permite corregir y reentrenar.
• Contra: no es local ni open source; los documentos se suben a su servidor.

2. TrOCR Kurrent (Hugging Face) — gratis y local

• dh-unibe/trocr-kurrent — Universidad de Berna (Widmer, Hodel). Kurrent siglo XIX. Licencia MIT. ~5.900 descargas, actualizado ago-2026. https://huggingface.co/dh-unibe/trocr-kurrent
• dh-unibe/trocr-kurrent-XVI-XVII — misma familia, siglos XVI–XVIII (no es nuestra época).
• fhswf/TrOCR_german_handwritten — manuscrito alemán moderno, no histórico.
• Limitación: reconoce líneas, no páginas. Hay que recortar cada renglón antes (a mano, con Kraken, o con un segmentador).

Uso mínimo:

# pip install transformers torch pillow
from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image

proc = TrOCRProcessor.from_pretrained("dh-unibe/trocr-kurrent")
model = VisionEncoderDecoderModel.from_pretrained("dh-unibe/trocr-kurrent")

linea = Image.open("renglon.jpg").convert("RGB")   # una sola línea de texto
ids = model.generate(proc(images=linea, return_tensors="pt").pixel_values, max_new_tokens=128)
print(proc.batch_decode(ids, skip_special_tokens=True)[0])

3. Kraken — pipeline completo open source

• pip install kraken (versión actual 7.1.1; requiere Python 3.10+). Hace segmentación de página y reconocimiento.
• Modelos:
  • Zenodo 7933463 — “HTR model for German manuscripts trained from several datasets” (archivo german_handwriting.mlmodel). https://zenodo.org/records/7933463
  • GitHub MGJamJam/htr_german_kurrent_model — 3 modelos Kraken + 1 Calamari, Kurrent siglo XIX (tesis de licenciatura, 2025), con extractor de líneas y evaluación.
  • Datos de entrenamiento siglo XIX: Zenodo 17252677 (9.317 líneas) por si se quiere afinar un modelo.

Uso mínimo:

pip install kraken
kraken -i pagina.jpg salida.txt segment -bl ocr -m german_handwriting.mlmodel

Prueba real sobre nuestros documentos (2026-09-17)

Se corrieron los dos modelos gratuitos, localmente y en CPU, sobre 20 renglones recortados de la matrícula N° 687 y del índice de defunciones de Hamburgo. Scripts en ocr/.

Modelo	Rendimiento en estos documentos
TrOCR dh-unibe/trocr-kurrent	El mejor. Leyó bien nombres, fechas y frases completas (“den 5t. Jenner 1901. auf Grund”, “eingetragen”, “in Conzeptien unter Nr. 53”, “Vermehren”). Detectó que la palabra era Schutzscheines y corrigió una lectura humana. Falla con números sueltos (leyó 887 por 187) y con topónimos (Lübeck → “Jubel”).
Kraken + modelo Zenodo 7933463	Mucho más débil en este Kurrent (modelo general, no específico del siglo XIX). Útil solo como desempate: acertó el número “187” donde TrOCR falló.

Lecciones:

• Renglón completo > palabra suelta. Ambos modelos empeoran mucho con recortes de una sola palabra.
• Números y nombres propios: siempre verificar a ojo con ampliación. Ningún modelo leyó bien “492” ni “9/2”.
• Usar los dos modelos y comparar: cuando coinciden, la lectura es sólida; cuando difieren, ampliar la imagen.
• Instalación en Windows: crear el entorno virtual en una ruta corta (ej. C:\ocr), porque rutas largas rompen la instalación de pip (error WinError 206).

Consejos prácticos para estos documentos

• Recortar antes de reconocer. Las matrículas son tablas de doble página; el reconocimiento funciona mucho mejor columna por columna o renglón por renglón.
• Nombres propios y abreviaturas (“Eingetr.”, “Kais.”, “geb.”, “Wwe.”) son donde más fallan todos los modelos. Siempre revisar a mano esos campos.
• Nunca usar la transcripción automática como prueba. Lo que va al BVA es la copia certificada del documento; la transcripción es solo para entender qué pedir.