Un chercheur, vingt-deux mille pages, un outil fait pour soi d’abord

Vingt ans de missions dans cinq lieux d’archives, en Europe et en Amérique : des cartons de correspondance commerciale, des périodiques techniques des années 1920, photographiés à main levée, de travers, par milliers. Vingt-deux mille clichés, dont une partie seulement avait été dépouillée — à la main, page après page, en allemand.

L’outil a été construit pour ce fonds-là. Chaque règle vient d’un piège payé sur ces pages : le sens de lecture que les métadonnées de l’appareil donnent faux une fois sur trois ; le manuscrit qu’il faut confier à une relecture renforcée pour limiter les mots inventés ; la cote qu’il faut aller lire en pied de page parce que personne ne la saisit ; l’original qu’il ne faut jamais recompresser. Ce qui marche sur vingt-deux mille pages devrait marcher sur les vôtres.

wondarchive est un service en ligne qui transcrit, traduit et indexe les photos d’archives prises en salle de lecture, pour les historiens, les doctorants, les archivistes et les généalogistes.

Il est hébergé en France, chez OVHcloud, et les documents qu’on y dépose n’entraînent aucun modèle — c’était la condition pour y mettre les archives d’autres chercheurs que soi.

Sur les épaules de la recherche

La lecture automatique des écritures manuscrites (on dit HTR, pour handwritten text recognition) est un champ de recherche vieux de plus de trente ans. wondarchive n’existerait pas sans lui.

Les premières grandes bases d’écriture annotées, comme celle de l’IAM à l’université de Berne, ont permis de mesurer les progrès. À la fin des années 2000, Alex Graves, Jürgen Schmidhuber et leurs collègues montrent qu’un réseau de neurones peut lire une ligne manuscrite entière sans la découper en lettres : beaucoup de moteurs actuels descendent de cette idée.

Pour les archives, les projets européens tranScriptorium (2013-2015) puis READ (2016-2019), menés autour de l’université d’Innsbruck, ont donné naissance à Transkribus, porté depuis 2019 par la coopérative READ-COOP. En France, l’École pratique des hautes études développe eScriptorium et son moteur Kraken, libres et ouverts. En Allemagne, le programme OCR-D outille les bibliothèques qui numérisent les imprimés anciens. HTR-United recense les transcriptions que les équipes partagent pour entraîner les modèles : sans ce partage, la plupart des écritures anciennes resteraient illisibles pour une machine.

Ces outils restent la référence pour qui veut entraîner son propre modèle ou préparer une édition savante. wondarchive suit une autre voie, plus modeste : lire rapidement les photos d’un chercheur, sans réglage, pour qu’il retrouve ce qu’il cherche dans son fonds.

Le nom : wondarchive, de l’anglais wonder, l’émerveillement, et archive. On l’écrit parfois Wonder Archive ou Wonderarchive : c’est le même service.