Handschrifterkennungs-Benchmark: LLMs vs OCRs

OCR-Tools erreichen bei maschinengeschriebenem Text in hochwertigen Bildern eine Genauigkeit von über 99 %. Die Handschrift bleibt jedoch aufgrund von Unterschieden in Stil, Abständen und Unregelmäßigkeiten eine Herausforderung. Wir stellen einen Benchmark für Schreibschrift vor, mit 100 handschriftlichen Proben, die von unserem Team geschrieben wurden, um Overfitting zu verhindern.

Ergebnisse des Schreibschrift-Benchmarks

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

Die vollständigen Produktnamen sind unten aufgeführt, wir haben sie in der Grafik abgekürzt. In diesem Benchmark werden ihre neuesten Versionen (Stand 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 Schreibschrift-Benchmarks

Für diesen Benchmark haben 10 Schreiber jeweils 10 Absätze in Schreibschrift handschriftlich verfasst, was einen Datensatz mit 100 Schreibschriftproben ergab. Die Schreiber wurden nicht gebeten, ordentlich zu schreiben. Natürliche Buchstabenverbindungen, Strichvariabilität, Abstandsverzerrungen und Linienflüssigkeit wurden bewusst erhalten, um die realistische Komplexität der Schreibschrift widerzuspiegeln.

Der Datensatz umfasst:

• Variable Neigung, Strichdruck und Ligaturmuster
• Text mit Zahlen, Satzzeichen und Groß-/Kleinschreibung
• Verschiedene Bildauflösungen und Hintergründe, um Robustheit zu gewährleisten

Alle Proben wurden mit unserer einheitlichen OCR-Bewertungspipeline auf Basis der Kosinus-Ähnlichkeit für einen fairen Vergleich ausgewertet.

Beispiel eines gescannten Bildes:

Was ist Handschrifterkennung?

Handschrifterkennung, auch bekannt als Handschrift-OCR oder Schreibschrift-OCR, ist ein Teilgebiet der OCR Technologie, das handgeschriebene Buchstaben in entsprechende digitale Texte oder Befehle in Echtzeit umwandelt. Zur Bewältigung dieser Aufgabe nutzen diese Systeme Mustererkennung, um verschiedene Stile handgeschriebener Buchstaben zu identifizieren. Wikipedia definiert Handschrifterkennung wie folgt:

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

LLM-Handschrifterkennungsfähigkeiten sind ebenfalls hochentwickelt; in unserem Benchmark ist gemini-3-pro zu 100 % genau.

Was ist in der Handschrift enthalten?

Unter Handschrift verstehen wir Texte, die in Druck- und Schreibschriftform verfasst sind. Texte in Druckschrift sind einfacher zu erkennen, da die Zeichen getrennt als Druckbuchstaben geschrieben werden. Die Schreibschrift hingegen beinhaltet verbundene Zeichen, da sie so geschrieben werden.

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

Quelle: Quora¹

Handschrifterkennungswerkzeuge können auch Handschrift auf digitalen Bildschirmen erkennen. Diese Art der Handschrift kann während des Schreibens verfolgt werden. Die Software kann Ihre dynamische Bewegung nutzen, um genauere Ergebnisse zu liefern. Nachfolgend sehen Sie 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-Werkzeuge seit den 70er Jahren auf dem Markt sind, gibt es immer noch wenige Tools, die Handschrifterkennung beherrschen. Da jeder seinen eigenen Schreibstil hat, können traditionelle OCR-Tools nicht die Handschrift aller erkennen.

Neben Computer-Vision-Technologie sind hochkomplexe Deep-Learning-Algorithmen erforderlich, um all diese Variationen erfolgreich zu identifizieren. Nachfolgend eine Liste der Herausforderungen, auf die Handschrifterkennungstools häufig stoßen:

Herausforderungen

• Bildqualität: Handschriftlicher Text wird oft bei niedriger Auflösung oder schlechter Beleuchtung erfasst. Seiten können Flecken, Schatten oder Verschmierungen enthalten, die als Hintergrundrauschen wirken.
• Vielfalt der Schreibstile: Jeder Mensch hat eine einzigartige Schreibweise. Unterschiede in Alphabeten, Buchstabenformen und Zeichengrößen erschweren die Erkennung.
• Schiefer Text: Handgeschriebene Zeilen sind selten perfekt gerade. Wörter können geneigt, gekrümmt oder sogar in ungewöhnlichen Winkeln erscheinen.
• Verbundene Zeichen: In Schreibschrift oder schnellem Schreiben sind Buchstaben und Symbole oft miteinander verbunden, was die Trennung erschwert.
• Verschlechterung: Ältere oder stark genutzte Dokumente können verblasste Tinte, Vergilbung oder Seitenbeschädigungen aufweisen, was die Lesbarkeit verringert.

Lösungen

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

• Verbesserung der Eingabequalität: Erfassen oder scannen Sie Dokumente mit höherer Auflösung und besserer Beleuchtung.
• Hintergrundbereinigung: Nutzen Sie maschinelles Lernen oder fotografische Techniken, um Rauschen zu entfernen und die Klarheit zu verbessern.
• Fortschrittliche Erkennungsalgorithmen: Setzen Sie Deep-Learning-Modelle ein, die für verschiedene Schreibstile, Alphabete und verbundene 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 für OCR-Tools leicht zu verarbeiten sind.

Vorbereitung für die Umwandlung handschriftlicher Notizen

Beim Entwerfen von Dokumenten sind verschiedene Faktoren zu berücksichtigen. Der wichtigste ist die aus den Dokumenten zu erfassenden Daten. Da es verschiedene Möglichkeiten gibt, dieselbe Art von Daten darzustellen, müssen Sie bei der Erstellung Ihres Dokuments 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 spezielle App, um ein hochauflösendes, gut beleuchtetes Bild Ihrer Notizen zu erstellen.
• Binarisierung: Wandeln Sie das gescannte Bild in Schwarzweiß um, um den Kontrast zu verbessern und den Text deutlicher vom Hintergrund abzuheben.

Quelle: Datacap.hk

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

2. Segmentierungstechniken

Segmentierung ist der Prozess, bei dem das Bild in kleinere, besser handhabbare Bestandteile wie Textzeilen, Wörter und einzelne Zeichen zerlegt wird. 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 die Aufteilung 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 bei komplexen Notizen eine hochentwickelte Text- und Layoutsegmentierung automatisch 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 problemlos erkannt zu werden.
• Klare Formatierung: Achten Sie darauf, dass Kontrollkästchen nicht zu nah am zugehörigen Text stehen 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 Informationen zu angekreuzten/nicht angekreuzten Feldern ermöglicht.
• Standardisieren: Verwenden Sie aus Konsistenzgründen in Ihren Notizen durchgehend die gleiche Art von Kontrollkästchen und Stil.

4. Einsatz von OCR-Software

• OCR anwenden: Sobald die Notizen gescannt und segmentiert sind, verwenden Sie eine optische Zeichenerkennungssoftware (OCR), um die Bilder des Textes in maschinenlesbaren digitalen Text zu konvertieren.
• Nachbearbeitung: Überprüfen Sie den digitalisierten Text auf Fehler, insbesondere in Bereichen mit komplexer Handschrift oder ungewöhnlichen Layouts.

Wird aktiv an der Handschrifterkennung geforscht?

Da die Fähigkeit zur Handschrifterkennung stark von neuronalen Netzen abhängt, wirken sich Fortschritte bei diesen Algorithmen tiefgreifend auf die Leistung von Handschrifterkennungswerkzeugen aus. Daher basiert die aktive Forschung zur Handschrifterkennung auf Algorithmen neuronaler Netze.

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 zur Merkmalsextraktion für eine genaue Zeichenidentifikation

Google nutzt auch Sprachverarbeitungsalgorithmen, um die Leistung der Handschrifterkennung zu verbessern. Muss das Tool beispielsweise zwischen „i“ und „l“ entscheiden, kann es das gesamte Wort analysieren und das geeignete Zeichen bestimmen, um genaue Ergebnisse zu liefern.

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

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

Anbieter für Handschrifterkennung

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

• Genauigkeit der Zeichenerkennung
• Fähigkeiten zum kontinuierlichen Lernen
• Rechengeschwindigkeit, falls Ergebnisse in Echtzeit geliefert werden müssen
• Benutzerfreundlichkeit der Oberfläche, wenn die Oberfläche 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 Lieferantenabhängigkeit (Vendor Lock-in) unerlässlich.

Nachfolgend finden Sie eine kurze Liste von Anbietern für Handschrifterkennung. Beachten Sie, 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 folgende Artikel interessieren:

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

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 and PhD., Ezgi Arslan,},
  title  = {{Handschrifterkennungs-Benchmark: LLMs vs OCRs}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Abgerufen am 29. 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 60% der Fortune 500.

Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globalen Unternehmen wie Deloitte, HPE und NGOs wie dem World Economic Forum sowie supranationalen Organisationen wie der European Commission.

Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.

Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er schloss sein Studium an der Bogazici University als Computer-Ingenieur ab und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Ezgi Arslan, PhD.

Branchenanalystin

Folgen auf

Ezgi hat einen Doktortitel in Betriebswirtschaftslehre mit Spezialisierung auf Finanzen und arbeitet als Branchenanalystin bei AIMultiple. Sie treibt Forschung und Erkenntnisse an der Schnittstelle von Technologie und Wirtschaft voran, mit Fachkenntnissen in den Bereichen Nachhaltigkeit, Umfrage- und Sentimentanalyse, KI-Agenten-Anwendungen im Finanzwesen, Antwortmaschinenoptimierung, Firewall-Management und Beschaffungstechnologien.

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