Ein Forscher, zweiundzwanzigtausend Seiten, ein Werkzeug, zunächst für sich selbst gebaut

Zwanzig Jahre Recherchereisen in fünf Archive, in Europa und in Amerika: Kartons voller Geschäftskorrespondenz, technische Zeitschriften der 1920er Jahre, aus freier Hand fotografiert, schief, zu Tausenden. Zweiundzwanzigtausend Aufnahmen, von denen nur ein Teil durchgesehen worden war — von Hand, Seite für Seite, auf Deutsch.

Das Werkzeug wurde für diesen Bestand gebaut. Jede Regel stammt aus einer Lektion, die an diesen Seiten teuer bezahlt wurde: die Leserichtung, die die Metadaten der Kamera in einem von drei Fällen falsch angeben; die Handschrift, die man einer verstärkten Nachlesung anvertrauen muss, um erfundene Wörter zu begrenzen; die Signatur, die man am Seitenfuß selbst nachlesen muss, weil sie niemand einträgt; das Original, das nie neu komprimiert werden darf. Was an zweiundzwanzigtausend Seiten funktioniert, sollte an Ihren funktionieren.

wondarchive ist ein Online-Dienst, der im Lesesaal aufgenommene Archivfotos transkribiert, übersetzt und erschließt, für Historiker, Doktoranden, Archivare und Genealogen.

Es wird in Frankreich gehostet, bei OVHcloud, und die dort abgelegten Dokumente trainieren nie ein Modell — das war die Bedingung dafür, auch die Archive anderer Forschender dort unterzubringen, nicht nur das eigene.

Auf den Schultern der Forschung

Das automatische Lesen von Handschriften (man spricht von HTR, handwritten text recognition) ist ein Forschungsfeld, das über dreißig Jahre alt ist. Ohne es gäbe es wondarchive nicht.

Die ersten großen annotierten Handschriftendatenbanken, etwa die IAM an der Universität Bern, machten Fortschritte messbar. Ende der 2000er Jahre zeigten Alex Graves, Jürgen Schmidhuber und ihre Kollegen, dass ein neuronales Netz eine ganze Handschriftzeile lesen kann, ohne sie in Buchstaben zu zerlegen: Viele heutige Engines gehen auf diese Idee zurück.

Für die Archive brachten die europäischen Projekte tranScriptorium (2013-2015) und danach READ (2016-2019), die rund um die Universität Innsbruck geführt wurden, Transkribus hervor, das seit 2019 von der Genossenschaft READ-COOP getragen wird. In Frankreich entwickelt die École pratique des hautes études eScriptorium und dessen Engine Kraken, frei und offen. In Deutschland stattet das Programm OCR-D die Bibliotheken aus, die alte Drucke digitalisieren. HTR-United verzeichnet die Transkriptionen, die Teams zum Trainieren der Modelle teilen: Ohne dieses Teilen blieben die meisten alten Handschriften für eine Maschine unlesbar.

Diese Werkzeuge bleiben die Referenz für alle, die ein eigenes Modell trainieren oder eine wissenschaftliche Edition vorbereiten wollen. wondarchive geht einen anderen, bescheideneren Weg: die Fotos einer Forscherin oder eines Forschers schnell und ohne Einstellungen zu lesen, damit sie in ihrem Bestand wiederfinden, was sie suchen.