Textes et savoirs numériques
Les manuscrits conservés dans les bibliothèques, les archives et les collections privées contiennent des informations difficiles à interroger. Un catalogue peut signaler l’existence d’un cahier ou d’une lettre, mais il ne permet pas toujours de rechercher un nom, une date ou une expression à l’intérieur du document. La transcription rend ce contenu exploitable par la lecture humaine, l’indexation et l’analyse numérique.
La reconnaissance d’écriture manuscrite, souvent désignée par l’acronyme HTR, pour Handwritten Text Recognition, vise à produire une transcription à partir d’images de pages. Elle ne doit pas être confondue avec une simple conversion automatique d’une photographie en texte. Le système doit interpréter des formes écrites à la main, tenir compte de la disposition de la page et associer des signes graphiques à des caractères ou à des unités de texte.
Cette automatisation est particulièrement utile lorsque le corpus est volumineux ou lorsque plusieurs passages doivent être repérés. Elle ne supprime toutefois pas le travail éditorial. Une transcription produite par une machine reste une hypothèse à vérifier, surtout lorsque l’écriture est irrégulière, que l’encre est dégradée ou que la langue contient des abréviations et des graphies anciennes.
L’OCR, ou reconnaissance optique de caractères, est généralement conçu pour des caractères imprimés. Les lettres occupent des positions relativement régulières et les formes typographiques se répètent. L’HTR traite au contraire une écriture manuscrite dont les lettres peuvent être liées, inclinées, abrégées ou modifiées selon la position dans le mot.
Dans un projet de manuscrits, il faut aussi distinguer trois niveaux de résultat :
Une transcription diplomatique cherche à respecter au plus près l’orthographe, les abréviations, les ratures et la disposition observées. Une transcription normalisée peut développer certaines abréviations ou moderniser l’orthographe afin de faciliter la lecture. Ces objectifs ne sont pas interchangeables. Le choix doit être défini avant l’annotation et conservé dans la documentation du projet.
Le résultat peut être exprimé dans des formats structurés comme l’ALTO XML ou le standard PAGE XML. Ces formats peuvent conserver les coordonnées des lignes, les zones de page et les niveaux de confiance. Un fichier texte simple est plus facile à lire, mais il perd souvent une partie du lien entre l’image et la transcription.
La qualité d’une transcription dépend moins de la seule puissance du logiciel que de l’adéquation entre les images, les écritures et les données d’apprentissage. Plusieurs difficultés se combinent fréquemment :
La paléographie apporte ici des informations essentielles. Elle aide à identifier les formes de lettres, les abréviations et les conventions d’écriture d’une période. Un modèle statistique peut produire une séquence plausible tout en se trompant sur un nom propre ou sur un terme rare. La plausibilité linguistique n’est donc pas une preuve de fidélité à l’image.
Un projet solide commence par une chaîne de traitement explicite. Les outils peuvent changer, mais les étapes suivantes restent pertinentes pour la plupart des corpus.
Le terme « libre » doit être vérifié avec précision. Il peut désigner un logiciel dont le code est accessible, une application distribuée sous une licence permettant la modification et la redistribution, ou un service utilisable gratuitement mais non libre. Ces situations ne donnent pas les mêmes garanties pour l’archivage, l’audit et la réutilisation.
| Outil ou famille d’outils | Usage principal | Points d’attention |
|---|---|---|
| Kraken | Segmentation et reconnaissance de documents, notamment historiques et multilingues | Demande une préparation des données et une prise en main de l’environnement de travail |
| eScriptorium | Interface web pour importer des images, segmenter, transcrire et gérer des modèles HTR | Le déploiement, les droits d’accès et la conservation des données doivent être documentés |
| OCR4all | Chaîne orientée vers la reconnaissance de documents historiques et le traitement par lots | Les fonctions disponibles dépendent de l’installation et des modèles utilisés |
| Tesseract | OCR généraliste, surtout adapté aux textes imprimés | Il peut servir de comparaison ou pour des zones imprimées, mais l’écriture manuscrite exige souvent une autre approche |
| PyLaia et outils associés | Entraînement de modèles de reconnaissance de lignes manuscrites | Convient davantage à un flux technique qu’à une utilisation ponctuelle sans préparation |
Kraken repose notamment sur une reconnaissance au niveau de la ligne et peut être adapté à des écritures historiques. eScriptorium fournit une interface qui rend accessibles certaines opérations de préparation, de segmentation et d’annotation. OCR4all propose une chaîne de traitement pensée pour des documents anciens. Ces outils ne produisent pas automatiquement une édition fiable : ils facilitent une partie du travail, tandis que la qualité dépend des données et des contrôles.
Un projet peut combiner plusieurs outils libres. Par exemple, une interface peut servir à annoter les lignes, un moteur à entraîner le modèle et un script à convertir les résultats dans un format d’archive. Cette modularité est utile, mais elle augmente le besoin de documenter les versions, les formats et les transformations appliquées.
Pour entraîner un modèle, il faut associer une image à une transcription de référence. Cette transcription est parfois appelée vérité terrain, mais l’expression ne signifie pas qu’elle soit absolument neutre. Elle reflète des choix de lecture, de normalisation et de résolution des ambiguïtés. Les règles suivies doivent donc être écrites avant ou pendant l’annotation.
La sélection des pages est déterminante. Un échantillon composé de lignes très nettes et homogènes donnera une impression trompeuse des performances. Il faut inclure, dans des proportions raisonnables, les variations d’écriture, les pages plus pâles, les signes particuliers et les mises en page moins régulières. Les pages exceptionnelles peuvent être conservées pour un traitement spécifique plutôt que mélangées sans précaution au reste du corpus.
La séparation entre apprentissage, validation et test doit être faite au niveau pertinent. Si plusieurs pages proviennent du même passage ou de la même main, les répartir entre les ensembles peut donner une estimation trop optimiste. Le jeu de test doit représenter les cas sur lesquels le système sera réellement utilisé et rester à l’écart des ajustements successifs.
Les annotations doivent aussi distinguer les éléments illisibles, les mots incertains et les interventions éditoriales. Remplacer silencieusement un caractère difficile par une supposition apprend au modèle une erreur présentée comme certaine. Une convention explicite, par exemple pour les caractères indéchiffrables, rend l’entraînement et la révision plus transparents.
Les systèmes de reconnaissance sont souvent évalués avec le taux d’erreur au caractère, ou CER, et le taux d’erreur au mot, ou WER. Ces mesures comparent la transcription produite avec une transcription de référence en comptant notamment les substitutions, suppressions et insertions. Elles sont utiles pour comparer des versions d’un modèle, mais elles ne suffisent pas à décrire la valeur historique d’un résultat.
Une seule erreur dans un nom propre, une date ou un lieu peut être plus importante que plusieurs erreurs dans une terminaison fréquente. Il est donc pertinent de compléter les mesures générales par un contrôle ciblé :
Le score de confiance fourni par un moteur peut aider à prioriser la correction, mais il ne doit pas être interprété comme une certitude. Une lecture erronée peut être très vraisemblable pour le modèle. À l’inverse, une formulation inhabituelle peut être correctement reconnue avec une confiance moindre.
La correction manuelle est souvent la partie la plus longue du projet. Elle gagne à être organisée plutôt qu’effectuée comme une simple relecture continue. Une première passe peut corriger les erreurs qui empêchent la recherche, comme les ruptures de mots, les caractères absents et les lignes déplacées. Une seconde passe peut vérifier les noms propres, les abréviations et les choix éditoriaux.
Il est utile de conserver la transcription brute avant correction. La version révisée peut être accompagnée d’informations sur le degré de certitude ou sur les interventions humaines. Dans une édition destinée à la recherche, l’image doit rester accessible à proximité de la transcription afin que le lecteur puisse contrôler les passages discutables.
Les corrections récurrentes peuvent servir à constituer une nouvelle série d’exemples d’apprentissage. Il faut cependant éviter la boucle fermée dans laquelle les sorties du modèle sont corrigées puis réinjectées sans sélection. Un modèle apprend mieux à partir d’annotations contrôlées que de corrections rapides dont les conventions varient.
La correction automatique par dictionnaire peut être utile pour signaler des formes improbables, mais elle comporte un risque particulier pour les textes historiques. Remplacer automatiquement un mot absent du dictionnaire peut moderniser ou déformer le manuscrit. Un dictionnaire doit donc servir d’outil d’alerte, non d’autorité silencieuse.
Un modèle de reconnaissance est lié à des données, à une architecture et à des paramètres. La mention du nom du logiciel ne suffit pas à rendre un résultat reproductible. Il faut autant que possible conserver la version du moteur, le modèle utilisé, la liste des caractères, les règles de segmentation et les commandes ou réglages importants.
Les licences doivent être vérifiées séparément pour le logiciel, les modèles, les images et les transcriptions. Une image peut être consultable sans que sa réutilisation soit libre. De même, un modèle disponible dans un dépôt public peut avoir des conditions différentes de celles du code qui l’exécute. Les droits de diffusion et les conditions imposées par le détenteur des manuscrits doivent être documentés avant toute publication.
La pérennité passe aussi par des formats ouverts ou largement documentés. Il est préférable de conserver les images dans leur qualité d’origine, les annotations structurées et une exportation lisible par un humain. Les fichiers intermédiaires ne doivent pas être supprimés uniquement parce qu’une version finale du texte a été produite : ils peuvent être nécessaires pour comprendre une correction ou relancer un traitement.
Pour un premier projet, il est préférable de limiter le périmètre plutôt que de lancer immédiatement le traitement de milliers de pages. Un petit corpus représentatif permet de tester la qualité des images, la segmentation, le choix de la transcription et la capacité de l’équipe à corriger les résultats.
Si le premier essai échoue, la cause n’est pas forcément le moteur HTR. Les problèmes viennent souvent d’images insuffisamment nettes, de lignes mal découpées, d’une transcription de référence incohérente ou d’un corpus trop hétérogène. Diagnostiquer ces étapes séparément évite de changer d’outil alors qu’il faudrait corriger la préparation des données.
Une transcription automatique ne constitue pas à elle seule une interprétation historique. Elle ne décide pas de l’identité d’un scripteur, de la date d’un document, du sens d’une abréviation ou de l’authenticité d’un passage. Ces questions exigent des méthodes documentaires, linguistiques, codicologiques ou paléographiques adaptées.
La reconnaissance peut également reproduire les biais du corpus. Une écriture minoritaire, une langue peu représentée dans les données d’apprentissage ou une mise en page inhabituelle risque d’être moins bien traitée. Un score moyen calculé sur un ensemble homogène ne décrit donc pas nécessairement les performances pour toutes les pages.
La bonne pratique consiste à présenter le résultat comme une transcription assistée, à indiquer les étapes de contrôle et à signaler les zones incertaines. Cette prudence n’enlève rien à l’intérêt de l’outil. Elle permet au contraire de distinguer ce qui provient directement de l’image, ce qui a été reconnu automatiquement et ce qui résulte d’une décision éditoriale.
Pas nécessairement. Une interface comme eScriptorium peut rendre accessibles l’importation, la segmentation, l’annotation et l’utilisation de modèles. En revanche, un projet reproductible demande souvent quelques compétences techniques pour gérer les fichiers, les versions, les conversions et les sauvegardes. La programmation devient davantage utile lorsque le corpus est volumineux ou que l’entraînement doit être personnalisé.
Il peut produire quelques résultats, notamment sur des écritures très régulières, mais l’OCR généraliste est principalement conçu pour les caractères imprimés. Pour un manuscrit, il est préférable de tester un moteur HTR ou un modèle entraîné sur une écriture comparable, puis de vérifier systématiquement la sortie.
Il n’existe pas de quantité universelle valable pour tous les corpus. Le besoin dépend de la lisibilité, de la diversité des mains, de la langue, de la mise en page et du modèle de départ. Un échantillon représentatif et cohérent est plus instructif qu’un volume important composé uniquement de pages faciles. Les performances doivent être mesurées sur des pages distinctes de celles utilisées pour l’apprentissage.
Un dictionnaire peut signaler des formes inattendues et aider à prioriser la relecture. Il ne doit pas remplacer la comparaison avec l’image, car les manuscrits contiennent des noms propres, des graphies anciennes et des abréviations absentes des dictionnaires courants. Toute correction automatique devrait être révisable et conserver la transcription initiale.
Il est prudent de conserver les images originales, les images de travail, les annotations structurées, les transcriptions brutes et corrigées, les modèles utilisés ainsi que les règles éditoriales. Des formats comme PAGE XML ou ALTO XML peuvent préserver le lien entre le texte et les coordonnées de la page. Une copie lisible en texte peut compléter ces fichiers, mais ne devrait pas les remplacer.
