Handschrifterkennungs-Benchmark: LLMs vs OCRs

OCR Tools erreichen über 99 % Genauigkeit bei getipptem Text in hochwertigen Bildern. Die Handschrift bleibt jedoch aufgrund von Variationen in Stil, Abstand und Unregelmäßigkeiten eine Herausforderung. Wir stellen einen Benchmark für kursive Handschrift mit 100 handschriftlichen Proben vor, die von unserem Team verfasst wurden, um Überanpassung zu vermeiden.

Ergebnisse des Benchmarks für kursive Handschrift

In diesem Benchmark sind GPT-5, Gemini 3 Pro Preview und olmOCR-2-7B-1025-FP8 die leistungsstärksten Modelle, die die höchsten semantischen Ähnlichkeitswerte und die konsistenteste Interpretation von kursivem Text über alle Proben hinweg erreichen.

Die vollständigen Namen der Produkte sind unten aufgeführt, wir haben sie in der Grafik abgekürzt. In diesem Benchmark werden ihre neuesten Versionen vom November 2025 verwendet:

• GPT-5
• Gemini 3 Pro Preview
• Gemini 2.5 Pro
• olmOCR-2-7B-1025-FP8
• Moondream OCR
• Claude Sonnet 4.5
• Nanonets-OCR2-3B
• Dots OCR
• Azure Cognitive Service
• Google Vision
• Mistral OCR
• PaddleOCR-VL
• Amazon Textract
• Deepseek OCR

Methodik des Benchmarks für kursive Handschrift

Für diesen Benchmark schrieben 10 Schreiber jeweils 10 Absätze in Schreibschrift, was zu einem Datensatz von 100 kursiven Handschriftproben führte. Die Schreiber wurden nicht gebeten, ordentlich zu schreiben. Natürliche Buchstabenverbindungen, Strichvariabilität, Abstandsverzerrung und Linienflüssigkeit wurden absichtlich beibehalten, um die realistische Komplexität der Schreibschrift widerzuspiegeln.

Der Datensatz umfasst:

• Variable Neigung, Strichstärke und Ligaturmuster
• Text mit Zahlen, Zeichensetzung und Großschreibung gemischt
• Verschiedene Bildauflösungen und Hintergründe, um Robustheit zu gewährleisten

Alle Proben wurden mit unserer einheitlichen OCR-Bewertungspipeline auf Basis der Kosinusähnlichkeit für einen fairen Vergleich bewertet.

Beispiel eines gescannten Bildes:

Was ist Handschrifterkennung?

Handschrifterkennung, auch Handschrift-OCR oder Schreibschrift-OCR genannt, ist ein Teilgebiet der OCR-Technologie, die handschriftliche Buchstaben in entsprechende digitale Texte oder Befehle in Echtzeit umwandelt. Zur Bewältigung dieser Aufgabe nutzen diese Systeme Mustererkennung, um verschiedene Stile von handgeschriebenen Buchstaben zu identifizieren. Wikipedia definiert Handschrifterkennung als:

Die Fähigkeit eines Computers, verständliche handschriftliche Eingaben von Quellen wie Papierdokumenten, Fotos, Touchscreens und anderen Geräten zu empfangen und zu interpretieren.

Die LLM-Handschrifterkennungsfähigkeiten sind ebenfalls hoch entwickelt, in unserem Benchmark ist gemini-3-pro 100% genau.

Was beinhaltet Handschrift?

Mit Handschrift meinen wir Texte, die in Druckschrift und Schreibschrift verfasst sind. Texte im Druckschriftstil sind leichter zu erkennen, da die Zeichen als Blockbuchstaben getrennt geschrieben werden. Schreibschrift hingegen beinhaltet verbundene Zeichen, wie sie geschrieben werden.

Dieser Aspekt erfordert, dass Handschrifterkennungstools jedes einzelne Zeichen korrekt wahrnehmen und genau identifizieren. Nachfolgend Beispiele für Druck- und Schreibschrift.

Quelle: Quora¹

Handschrifterkennungstools können auch Handschrift auf digitalen Bildschirmen identifizieren. Diese Art von Handschrift kann beim Schreiben verfolgt werden. Die Software kann Ihre dynamischen Bewegungen nutzen, um genauere Ergebnisse zu liefern. Nachfolgend ein Beispiel für digitale Handschrifterkennung, bereitgestellt von der Microsoft Azure Ink Recognizer API.

Was sind die Herausforderungen bei der Umwandlung von Handschrift in Text?

Obwohl traditionelle OCR-Tools seit den 70er Jahren auf dem Markt sind, gibt es immer noch nicht viele Tools, die Handschrifterkennung bewältigen können. Da jeder seinen eigenen Schreibstil hat, können traditionelle OCR-Tools nicht jede Handschrift wahrnehmen.

Neben Computer-Vision-Technologie sind hochkomplexe Deep-Learning-Algorithmen erforderlich, um all diese Variationen erfolgreich zu erkennen. Nachfolgend eine Liste von Herausforderungen, mit denen Handschrifterkennungstools häufig konfrontiert sind:

Herausforderungen

• Bildqualität: Handgeschriebener Text wird oft in niedriger Auflösung oder schlechter Beleuchtung aufgenommen. Seiten können Flecken, Schatten oder Verschmierungen enthalten, die als Hintergrundrauschen wirken.
• Vielfalt der Schreibstile: Jeder Mensch hat eine einzigartige Art zu schreiben. Unterschiede in Alphabeten, Buchstabenformen und Zeichengrößen erschweren die Erkennung.
• Schräger Text: Handschriftliche Zeilen sind selten perfekt gerade. Wörter können kippen, sich krümmen oder sogar in ungewöhnlichen Winkeln erscheinen.
• Verbundene Zeichen: In Schreibschrift oder bei schnellem Schreiben verbinden sich Buchstaben und Symbole oft, was die Trennung erschwert.
• Verschlechterung: Ältere oder stark genutzte Dokumente können verblasste Tinte, Vergilbung oder Seitenschäden aufweisen, was die Textklarheit verringert.

Lösungen

Moderne HTR-Tools kombinieren Computer Vision mit Deep Learning, um diese Herausforderungen zu bewältigen. Diese Ansätze gehen über die traditionelle OCR hinaus, die es seit den 1970er Jahren gibt, aber immer noch mit Handschrift zu kämpfen hat. Heute werden Fortschritte erzielt durch:

• Eingangsqualität verbessern: Dokumente mit höherer Auflösung und besserer Beleuchtung erfassen oder scannen.
• Hintergrundbereinigung: Maschinelles Lernen oder fotografische Techniken nutzen, um Rauschen zu entfernen und die Klarheit zu verbessern.
• Fortschrittliche Erkennungsalgorithmen: Deep-Learning-Modelle einsetzen, die für unterschiedliche Schreibstile, Alphabete und verbundene Buchstaben ausgelegt sind.
• Schräglagenkorrektur: Bildverarbeitungstools verwenden, um geneigten oder gedrehten Text zu erkennen und zu korrigieren.
• OCR-freundliches Design: Wenn möglich, Formulare und Dokumente erstellen, die für OCR-Tools leicht zu verarbeiten sind.

Vorbereitung für die Umwandlung handschriftlicher Notizen

Es gibt eine Vielzahl von Faktoren, die beim Entwerfen von Dokumenten zu berücksichtigen sind. Der wichtigste sind die aus den Dokumenten zu erfassenden Daten. Da es verschiedene Möglichkeiten gibt, dieselbe Art von Daten darzustellen, müssen Sie beim Erstellen Ihres Dokuments die Geschwindigkeit, Genauigkeit und Benutzerfreundlichkeit jeder Option berücksichtigen.² ,³ ,⁴

1. Scannen und Vorverarbeitung

• Für einen klaren Scan sorgen: Verwenden Sie einen Scanner oder eine dedizierte App, um ein hochauflösendes, gut beleuchtetes Bild Ihrer Notizen zu erstellen.
• Binarisierung: Konvertieren Sie das gescannte Bild in Schwarzweiß, um den Kontrast zu verbessern und den Text stärker vom Hintergrund abzuheben.

Quelle: Datacap.hk

• Rauschentfernung & Schräglagenkorrektur: Wenden Sie Filter an, um störende Markierungen oder Schatten zu entfernen und eventuelle Neigungen im Dokument zu korrigieren. Vermeiden Sie farbige Hintergründe. Nutzen Sie Ausrichtungselemente, um schiefe Dokumente zu verhindern.

2. Segmentierungstechniken

Segmentierung ist der Prozess, das Bild in kleinere, besser handhabbare Komponenten wie Textzeilen, Wörter und einzelne Zeichen zu zerlegen. Um dies zu gewährleisten, können Unternehmen Segmentierungsmethoden einsetzen, die Sie unten sehen können.

Quelle: How OCR Works⁵

• Textzeilensegmentierung: Dies ist eine Voraussetzung für andere Aufgaben und beinhaltet das Trennen des Dokuments in einzelne Textzeilen. Halten Sie die Daten innerhalb der Ränder.
• Wort- und Zeichensegmentierung: Nach der Zeilensegmentierung können Sie die Zeilen weiter in einzelne Wörter und dann in Zeichen unterteilen, was für eine genaue Texterkennung entscheidend ist.
• Einsatz fortschrittlicher KI-Tools: KI-gestützte Tools wie Transkribus können automatisch eine ausgefeilte Text- und Layoutsegmentierung für komplexe Notizen durchführen.

3. Einbindung von Kontrollkästchen für eine einfachere Digitalisierung

• Vorgedruckte Kästchen: Wenn Sie wissen, dass Sie Ihre Notizen digitalisieren werden, zeichnen oder drucken Sie Kontrollkästchen deutlich auf die Seite und stellen Sie sicher, dass sie groß genug sind, um von OCR-Software leicht erkannt zu werden.
• Klare Formatierung: Stellen Sie sicher, dass Kontrollkästchen nicht zu nah am zugehörigen Text sind und einen ausreichenden Kontrast zum Papier aufweisen.
• KI-gestützte OCR nutzen: Tools können darauf trainiert werden, diese Kontrollkästchen zu erkennen, was eine einfachere Verarbeitung und Extraktion von markierten/unmarkierten Informationen ermöglicht.
• Standardisieren: Verwenden Sie in Ihren Notizen durchgängig dieselbe Art von Kontrollkästchen und denselben Stil, um Konsistenz zu gewährleisten.

4. Verwendung von OCR-Software

• OCR anwenden: Sobald die Notizen gescannt und segmentiert sind, verwenden Sie Optical Character Recognition (OCR)-Software, um die Bilder des Textes in maschinenlesbaren digitalen Text umzuwandeln.
• Nachbearbeitung: Überprüfen Sie den digitalisierten Text auf Fehler, insbesondere in Bereichen mit komplexer Handschrift oder ungewöhnlichen Layouts.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Gibt es aktive Forschung zur Handschrifterkennung?

Da die Handschrifterkennungsfähigkeit stark von neuronalen Netzen abhängt, wirken sich Fortschritte in diesen Algorithmen tiefgreifend auf die Leistung von Handschrifterkennungstools aus. Daher basiert die aktive Forschung zur Handschrifterkennung in der Regel auf neuronalen Netzwerkalgorithmen.

Googles Forschung zur Handschrifterkennung beginnt mit mehreren Trainingsschritten:

• Einführung aller möglichen Zeichen aus verschiedenen Alphabeten
• Training des Tools für die Segmentierung jedes Zeichens in einem Text
• Training des Tools für die Merkmalsextraktion zur genauen Zeichenidentifikation

Google verwendet auch Sprachverarbeitungsalgorithmen, um die Handschrifterkennungsleistung zu verbessern. Wenn das Tool beispielsweise zwischen „i“ und „l“ entscheiden muss, kann es das gesamte Wort analysieren und das passende Zeichen auswählen, um genaue Ergebnisse zu liefern.

OCR-Software verfügt normalerweise über mehrere in die Software integrierte Handschrifterkennungs-Engines. Diese Engines arbeiten synchron, um die genaueste Zeichendarstellung zu erzeugen, die der Eingabe entspricht.

Anbieter von Handschrifterkennung

Da die Handschrifterkennung ein Teilgebiet der OCR ist, sind die Kriterien für die Auswahl der richtigen Handschrifterkennung ähnlich wie bei OCR-Tools. Bei der Auswahl eines Anbieters für Handschrifterkennung sollten Sie folgende Faktoren berücksichtigen:

• Zeichenerkennungsgenauigkeit
• Fähigkeiten zum kontinuierlichen Lernen
• Rechengeschwindigkeit, falls Ergebnisse in Echtzeit geliefert werden müssen
• Benutzerfreundlichkeit der Schnittstelle, falls die Schnittstelle von Menschen genutzt wird

Darüber hinaus sind bewährte Beschaffungspraktiken wie die Sicherstellung minimaler Gesamtbetriebskosten (Total Cost of Ownership, TCO), Flexibilität, bewährte Datensicherheitspraktiken und die Vermeidung von Herstellerabhängigkeit unerlässlich.

Nachfolgend finden Sie eine kurze Liste von Handschrifterkennungsanbietern. Beachten Sie auch, dass diese Anbieter auch OCR-Dienste für Ihr Unternehmen anbieten können.

• Abbyy
• Google Cloud Vision API
• Hanvon Technology
• Hanwang Technology
• Infrrd.ai
• MicroBlink
• Microsoft Azure Read API
• Mitek
• MyScript
• Selvasai
• Unitek.ai
• Vidado

FAQs

Wenn Sie mehr über Handschrifterkennungstools lesen möchten, könnten Sie auch diese Artikel interessieren:

• Aktueller Stand der OCR: Ist es ein gelöstes Problem?
• Rechnungs-OCR-Benchmark: Extraktionsgenauigkeit von LLMs vs OCRs

Zitieren Sie diesen Benchmark

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Handschrifterkennungs-Benchmark: LLMs vs OCRs}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Abgerufen am 2. Juli 2026}
}

Referenzlinks

1.

When you write, do you print or use cursive? - Quora

2.

Enhanced Hybrid Technique for Efficient Digitization of Handwritten Marksheets

3.

Page restricted | ScienceDirect

4.

Preprocessing Techniques for Online Handwriting Recognition | Springer Nature Link

Springer Berlin Heidelberg

5.

Putting the Hardware to Work | How OCR Works

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Kommentare 4

Teilen Sie Ihre Gedanken

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten

Swanidhi Singh

Aug 07, 2025 at 00:28

Exactly what I was looking for. Thank you!

Antworten

Sara

Sep 22, 2021 at 06:40

Hi Cem, your article is very clear and practical. Thank you for sharing your knowledge! It will be very useful for me.

Antworten

Vivienne

Feb 10, 2021 at 00:03

See Transkribus from readcoop for handwritten text recognition for cursive writing.

Antworten

Leonard

Dec 10, 2020 at 11:08

Which service or software would you recommend in this case: - manuscript/diary 100s of pages written by one author - other language than English (German in this case) I need the software to learn my handwriting, that is not in English and preferably with a good tool to correct all the error.

Antworten

Cem Dilmegani

Dec 12, 2020 at 19:54

Thank you for reaching out. You can try Google Cloud Vision. It is not bad at handwriting recognition and is free to try. I don't know if it can get user feedback to improve its models. Let us know if you find that functionality.

Antworten