Vergleichstest zur Handschrifterkennung: LLMs vs. OCRs

OC- R- Tools erreichen bei getipptem Text in hochauflösenden Bildern eine Genauigkeit von über 99 %. Handschrift bleibt jedoch aufgrund von Stilvariationen, Abständen und Unregelmäßigkeiten eine Herausforderung. Um ein Überanpassen zu vermeiden, stellen wir einen Benchmark für Schreibschrift mit 100 von unserem Team erstellten Handschriftproben vor.

Ergebnisse des Vergleichstests für Schreibschrift

In diesem Benchmark sind GPT-5, Gemini 3 Pro Preview und olmOCR-2-7B-1025-FP8 die leistungsstärksten Modelle. Sie erzielen die höchsten Werte für semantische Ähnlichkeit und die konsistenteste Interpretation von kursivem Text über alle Beispiele hinweg.

Die vollständigen Produktnamen finden Sie unten; in der Grafik haben wir sie gekürzt. In diesem Vergleich werden die jeweils aktuellsten Versionen (Stand: November 2025) verwendet.

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

Methodik zur Bewertung der Schreibschrift

Für diesen Vergleich verfassten zehn Schreiber jeweils zehn Absätze in Schreibschrift, wodurch ein Datensatz von 100 Schreibschriftproben entstand. Die Schreiber wurden nicht zu besonders sauberer Schrift aufgefordert. Natürliche Buchstabenverbindungen, Strichvariabilität, Abweichungen im Zeilenabstand und fließende Linienführung wurden bewusst beibehalten, um die realistische Komplexität der Schreibschrift widerzuspiegeln.

Der Datensatz umfasst:

• Variable Neigung, Hubdruck und Ligaturmuster
• Text vermischt mit Zahlen, Satzzeichen und Großbuchstaben
• Unterschiedliche Bildauflösungen und Hintergründe zur Gewährleistung der Robustheit

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

Beispiel eines gescannten Bildes:

Was ist Handschrifterkennung?

Die Handschrifterkennung, auch bekannt als OCR für Handschrift oder OCR für Schreibschrift, ist ein Teilgebiet derOCR-Technologie , das handgeschriebene Buchstaben in Echtzeit in entsprechende digitale Texte oder Befehle umwandelt. Dazu nutzen diese Systeme Mustererkennung, um verschiedene Handschriftstile zu identifizieren. Wikipedia definiert Handschrifterkennung wie folgt:

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

Die Handschrifterkennungsfähigkeiten von LLM sind ebenfalls hochentwickelt; in unserem Benchmark ist Gemini-3-Pro zu 100 % genau.

Was gehört zur Handschrift?

Unter Handschrift verstehen wir Texte in Druck- und Kursivschrift. Druckschriften sind leichter lesbar, da die Zeichen als Blockbuchstaben einzeln geschrieben werden. Bei der Kursivschrift hingegen werden die Zeichen miteinander verbunden.

Dieser Aspekt erfordert Handschrifterkennungssysteme, die jedes einzelne Zeichen korrekt erfassen und präzise identifizieren. Nachfolgend finden Sie Beispiele für Druck- und Schreibschrift.

Quelle: Quora ¹

Handschrifterkennungstools können auch Handschrift auf digitalen Bildschirmen erkennen. Diese Art der Handschrift kann während des Schreibvorgangs verfolgt werden. Die Software nutzt Ihre dynamischen Bewegungen, um präzisere Ergebnisse zu liefern. Nachfolgend finden Sie ein Beispiel für digitale Handschrifterkennung, bereitgestellt von der Azure Ink Recognizer API (Microsoft).

Welche Herausforderungen birgt die Umwandlung von Handschrift in Text?

Obwohl herkömmliche OCR-Tools bereits seit den 70er Jahren auf dem Markt sind, gibt es immer noch nicht viele, die Handschrift erkennen können. Da jeder Mensch einen individuellen Schreibstil hat, können herkömmliche OCR-Tools nicht jede Handschrift erfassen.

Neben Computer-Vision-Technologien sind hochkomplexe Deep-Learning-Algorithmen erforderlich, um all diese Variationen erfolgreich zu erkennen. Im Folgenden finden Sie eine Liste der Herausforderungen, denen Handschrifterkennungstools häufig begegnen:

Herausforderungen

• Bildqualität: Handgeschriebener Text wird oft in niedriger Auflösung oder bei schlechten Lichtverhältnissen erfasst. Die Seiten können Flecken, Schatten oder Schlieren aufweisen, die als Hintergrundrauschen wirken.
• Vielfalt der Schreibstile: Jeder Mensch hat seine eigene, einzigartige Art zu schreiben. Unterschiede in Alphabeten, Buchstabenformen und Schriftgrößen erschweren das Erkennen zusätzlich.
• Schiefer Text: Handgeschriebene Zeilen sind selten perfekt gerade. Wörter können geneigt, gekrümmt oder sogar in ungewöhnlichen Winkeln erscheinen.
• Verbundene Zeichen: In der Kursivschrift oder Schnellschrift verbinden sich Buchstaben und Symbole oft miteinander, wodurch sie schwerer zu trennen sind.
• Verschlechterung: Ältere oder stark beanspruchte Dokumente können verblasste Tinte, Vergilbung oder Beschädigungen des Papiers aufweisen, was die Lesbarkeit des Textes beeinträchtigt.

Lösungen

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

• Verbesserung der Eingabequalität: Dokumente in höherer Auflösung und bei besserer Beleuchtung erfassen oder scannen.
• Hintergrundbereinigung: Mithilfe von maschinellem Lernen oder Fototechniken werden Rauschen entfernt und die Bildschärfe verbessert.
• Fortschrittliche Erkennungsalgorithmen: Anwendung von Deep-Learning-Modellen, die für die Verarbeitung unterschiedlicher Schreibstile, Alphabete und verbundener Buchstaben ausgelegt sind.
• Schräglagenkorrektur: Verwenden Sie Bildverarbeitungswerkzeuge, um geneigten oder gedrehten Text zu erkennen und zu korrigieren.
• OCR-freundliches Design: Erstellen Sie nach Möglichkeit Formulare und Dokumente, die von OCR-Tools leicht verarbeitet werden können.

Vorbereitung zur Umwandlung handschriftlicher Notizen

Bei der Gestaltung von Dokumenten sind verschiedene Faktoren zu berücksichtigen. Der wichtigste Faktor sind die zu erfassenden Daten. Da es unterschiedliche Möglichkeiten gibt, dieselben Daten darzustellen, müssen Sie bei der Dokumenterstellung Geschwindigkeit, Genauigkeit und Benutzerfreundlichkeit jeder Option abwägen. ² , ³ , ⁴

1. Scannen und Vorverarbeitung

• Sorgen Sie für einen klaren Scan: Verwenden Sie einen Scanner oder eine spezielle App, um ein hochauflösendes, gut beleuchtetes Bild Ihrer Notizen zu erstellen.
• Binarisierung: Das gescannte Bild wird in Schwarzweiß umgewandelt, um den Kontrast zu verbessern und den Text besser vom Hintergrund abzuheben.

Quelle: Datacap.hk

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

2. Segmentierungstechniken

Segmentierung ist der Prozess, ein 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.

Quelle: Wie OCR funktioniert ⁵

• Textzeilensegmentierung: Dies ist eine Voraussetzung für weitere Aufgaben und beinhaltet die Aufteilung des Dokuments in einzelne Textzeilen. Die Daten müssen innerhalb der Ränder bleiben.
• Wort- und Zeichensegmentierung: Nach der Zeilensegmentierung können die Zeilen weiter in einzelne Wörter und dann in Zeichen unterteilt werden, was für eine genaue Texterkennung von entscheidender Bedeutung ist.
• Nutzung fortschrittlicher KI-Tools: KI-gestützte Tools wie Transkribus können bei komplexen Notizen automatisch anspruchsvolle Text- und Layoutsegmentierungen durchführen.

3. Integration von Kontrollkästchen zur einfacheren Digitalisierung

• Vorgedruckte Kästchen: Wenn Sie wissen, dass Sie Ihre Notizen digitalisieren werden, zeichnen oder drucken Sie deutlich Kontrollkästchen auf die Seite und achten Sie darauf, dass diese groß genug sind, um von der OCR-Software leicht erkannt zu werden.
• Klare Formatierung: Achten Sie darauf, dass die Kontrollkästchen nicht zu nah am zugehörigen Text liegen und einen ausreichenden Kontrast zum Papier aufweisen.
• Nutzen Sie KI-gestützte OCR: Tools können darauf trainiert werden, diese Kontrollkästchen zu erkennen, was die Verarbeitung und Extraktion von markierten/nicht markierten Informationen erleichtert.
• Standardisieren: Verwenden Sie für einheitliche Ergebnisse in Ihren Notizen durchgehend die gleiche Art von Kontrollkästchen und den gleichen Stil.

4. Verwendung von OCR-Software

• OCR anwenden: Sobald die Notizen eingescannt und segmentiert sind, verwenden Sie eine Software zur optischen Zeichenerkennung (OCR), 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 ungewöhnlichem Layout.

Gibt es aktive Forschung im Bereich der Handschriftenerkennung?

Da die Handschrifterkennung stark von neuronalen Netzen abhängt, beeinflussen Fortschritte bei diesen Algorithmen die Leistungsfähigkeit von Handschrifterkennungswerkzeugen maßgeblich. Daher basiert die aktive Forschung im Bereich der Handschrifterkennung im Allgemeinen auf neuronalen Netzwerkalgorithmen.

Die Forschung von Google zur Handschrifterkennung beginnt mit mehreren Trainingsschritten:

• Einführung aller möglichen Zeichen aus verschiedenen Alphabeten
• Das Tool wird trainiert, jedes Zeichen in einem Text zu segmentieren.
• Training des Werkzeugs zur Merkmalsextraktion für eine genaue Zeichenidentifizierung

Google verwendet außerdem Sprachverarbeitungsalgorithmen, um die Leistung der Handschrifterkennung 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 üblicherweise über mehrere integrierte Handschrifterkennungs-Engines. Diese Engines arbeiten synchron, um die präziseste Zeichendarstellung entsprechend der Eingabe zu generieren.

Anbieter von Handschrifterkennung

Da die Handschrifterkennung ein Teilgebiet der OCR ist, ähneln die Kriterien für die Auswahl des geeigneten Handschrifterkennungssystems denen von OCR-Tools. Bei der Auswahl eines Anbieters für Handschrifterkennung sollten Sie folgende Faktoren berücksichtigen:

• Genauigkeit der Zeichenerkennung
• Kontinuierliche Lernfähigkeiten
• 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 (TCO), Flexibilität, bewährte Verfahren zur Datensicherheit und die Vermeidung von Lieferantenabhängigkeit unerlässlich.

Nachfolgend finden Sie eine kurze Liste von Anbietern für Handschriftenerkennung. Beachten Sie bitte auch, dass diese Anbieter zusätzlich OCR-Dienstleistungen für Ihr Unternehmen anbieten können.

• Abbyy
• Google Cloud Vision API
• Hanvon Technology
• Hanwang Technology
• Infrrd.ai
• Mikroblinzeln
• Microsoft Azure Read API
• Mitek
• MeinSkript
• 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?
• Vergleichsmessung der Rechnungs-OCR: Extraktionsgenauigkeit von LLMs im Vergleich zu OCRs

Referenzlinks

1.

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

2.

Enhanced Hybrid Technique for Efficient Digitization of Handwritten Marksheets

3.

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.

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