Bild zu Text (OCR)

Die Idee einer Maschine, die liest, ist älter als der Computer. 1913 baute der Physiker Edmund Fournier d'Albe das Optophon, ein Gerät, das eine gedruckte Zeile abtastete und in musikalische Töne verwandelte, damit blinde Leser die Form der Buchstaben hören konnten. Es funktionierte, auf seine Art, mit etwa einem Wort pro Minute. 1929 patentierte Gustav Tauschek eine Maschine, die gedruckte Zeichen mit Metallschablonen und einem Fotodetektor verglich, und 1931 meldete Emanuel Goldberg eine statistische Maschine an, die Mikrofilmarchive nach Mustern durchsuchte. Keine erkannte Text in einem allgemeinen Sinn, aber alle begründeten den Trick, den jedes OCR-System noch heute verwendet: Licht auf die Seite werfen und messen, was zurückkommt.

Der kommerzielle Durchbruch kam aus einer unerwarteten Richtung. 1974 gründete Ray Kurzweil ein Unternehmen für Omni-Font-OCR, also Software, die jede Schriftart lesen kann und nicht nur eine, auf die sie zugeschnitten wurde, und der erste Kunde, den er im Sinn hatte, war kein Büro, sondern ein blinder Leser. Die Kurzweil Reading Machine von 1976 vereinte Flachbettscanner, OCR und Sprachsynthese in einem Gerät von der Größe eines Schreibtischs. Stevie Wonder kaufte eines der ersten Exemplare und blieb dem Unternehmen jahrzehntelang als Kunde und Freund verbunden. Etwa zur gleichen Zeit begann die US-Post, Briefe per OCR anhand der gelesenen Adressen zu sortieren, bis heute eine der größten OCR-Installationen überhaupt.

Tesseract, die Engine hinter dieser Seite, hat eine Geschichte, die einem kleinen Wunder der Softwarebewahrung gleichkommt. Sie entstand zwischen 1984 und 1994 im Hewlett-Packard-Labor in Bristol, war genau genug, um bei den UNLV-Genauigkeitstests von 1995 nahe an die Spitze zu kommen, und wurde dann eingelagert, als HP den Markt verließ. Ein Jahrzehnt lag sie ungenutzt. 2005 gab HP den Code als Open Source frei, 2006 übernahm Google die Pflege und schrieb den Erkennungskern in Version 4 schließlich um LSTM-Netze herum neu. Das Ergebnis: ein Programm, das ursprünglich für HP-Workstations der 1980er kompiliert wurde, ist heute die Standard-OCR-Engine der Open-Source-Welt und läuft, nach WebAssembly kompiliert, in einem Browser-Tab auf einem Telefon.

Ein Detail erklärt fast allen Ärger mit OCR. Die Engine liest nicht Buchstabe für Buchstabe isoliert, sie verbindet die gesehenen Formen mit einem Modell davon, welche Folgen in der Sprache plausibel sind, genau wie du es beim Entziffern schlechter Handschrift tust. Deshalb liefert dasselbe Bild in verschiedenen Sprachen verschiedene Ergebnisse, deshalb sind Eigennamen und Seriennummern schwerer als gewöhnliche Prosa, und deshalb ist der klassische OCR-Fehler ein falsches, aber aussprechbares Wort. Und deshalb sind die Buchstaben, die Maschinen aufs Kreuz legen, dieselben, die auch Menschen täuschen: 0 gegen O, 1 gegen l gegen I, rn gegen m und cl gegen d.