Handschrifterkennungs-Benchmark mit 14 LLMs und OCRs

OCR-Tools erreichen über 99 % Genauigkeit bei getipptem Text in hochwertigen Bildern. Handschrift bleibt jedoch aufgrund von Variationen in Stil, Abständen und Unregelmäßigkeiten eine Herausforderung. Wir stellen einen Benchmark zur Kursivschrift-Handschrifterkennung mit 100 handschriftlichen Proben vor, die von unserem Team geschrieben wurden, um Überanpassung zu verhindern.

Ergebnisse des Kursivschrift-Benchmarks

In diesem Benchmark sind GPT-5, Gemini 3 Pro Preview und olmOCR-2-7B-1025-FP8 die leistungsstärksten Modelle. Sie erzielen die höchsten semantischen Ähnlichkeitswerte und die konsistenteste Interpretation von Kursivschrift bei allen Proben.

Über 100 kursive Handschriftproben, geschrieben von 10 Schreibern, erreichte Gemini 3 Pro Preview eine perfekte Punktzahl, während Deepseek OCR 79 % erzielte.

Die vollständigen Namen der Produkte stehen unten; wir haben sie im Diagramm abgekürzt.

• 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 Kursivschrift-Benchmarks

Für diesen Benchmark schrieben 10 Schreiber jeweils 10 Absätze in Kursivschrift von Hand, was einen Datensatz von 100 kursiven Handschriftproben ergab. Die Schreiber wurden nicht gebeten, ordentlich zu schreiben. Natürliche Buchstabenverbindungen, Strichvariabilität, Abstandsverzerrungen und Linienfluss wurden bewusst beibehalten, um die realistische Komplexität der Kursivschrift widerzuspiegeln.

Der Datensatz umfasst:

• Variable Neigung, Strichdruck und Ligaturmuster
• Text gemischt mit Zahlen, Satzzeichen und Großschreibung
• Unterschiedliche Bildauflösungen und Hintergründe, um Robustheit zu gewährleisten

Alle Proben wurden mit unserer einheitlichen OCR-Bewertungspipeline evaluiert, basierend auf Kosinus-Ähnlichkeit für einen fairen Vergleich.

Beispiel eines gescannten Bildes:

Was ist Handschrifterkennung?

Handschrifterkennung, auch bekannt als Handschrift-OCR oder kursive OCR, ist ein Teilgebiet der OCR-Technologie, das handgeschriebene Buchstaben in Echtzeit in entsprechenden digitalen Text oder Befehle übersetzt. Zur Ausführung dieser Aufgabe profitieren diese Systeme vom Musterabgleich, um verschiedene Stile handgeschriebener Buchstaben zu identifizieren. Wikipedia definiert Handschrifterkennung wie folgt:

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

Die Fähigkeiten von LLMs zur Handschrifterkennung sind ebenfalls hoch entwickelt. In unserem Benchmark ist gemini-3-pro 100 % genau.

Was gehört zur Handschrift?

Mit Handschrift meinen wir Texte in Manuskript- und Kursivform. Texte im Manuskriptstil sind leichter zu erkennen, da die Zeichen separat als Blockbuchstaben geschrieben werden. Kursivschrift hingegen enthält verbundene Zeichen, da sie beim Schreiben verbunden werden.

Dieser Aspekt erfordert, dass Handschrifterkennungs-Tools jedes einzelne Zeichen korrekt wahrnehmen und genau identifizieren. Unten sehen Sie Beispiele für Manuskript- und Kursivschrift.

Quelle: Quora¹

Tools zur Handschrifterkennung können auch Handschrift auf digitalen Bildschirmen erkennen. Diese Art von Handschrift kann während des Schreibens verfolgt werden. Die Software kann Ihre dynamische Bewegung nutzen, um genauere Ergebnisse zu liefern. Unten 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-Tools seit den 70s Jahren auf dem Markt sind, gibt es immer noch nicht viele 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 erkennen. Im Folgenden finden Sie eine Liste der Herausforderungen, denen Tools zur Handschrifterkennung häufig begegnen:

Herausforderungen

• Bildqualität: Handschriftlicher Text wird oft in niedriger Auflösung oder bei schlechter Beleuchtung erfasst. 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.
• Schiefer Text: Handschriftliche Zeilen sind selten perfekt gerade. Wörter können kippen, sich krümmen oder sogar in ungewöhnlichen Winkeln erscheinen.
• Verbundene Zeichen: In Kursivschrift oder bei schnellem Schreiben sind Buchstaben und Symbole oft miteinander verbunden, was die Trennung erschwert.
• Degradation: 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 meistern. Diese Ansätze gehen über traditionelle OCR hinaus, die es seit den 1970er-Jahren gibt, aber immer noch mit Handschrift zu kämpfen hat. Heute werden Fortschritte erzielt durch:

• Eingabequalität verbessern: Erfassen oder scannen Sie Dokumente mit höherer Auflösung und besserer Beleuchtung.
• Hintergrundbereinigung: Verwenden Sie maschinelles Lernen oder fotografische Techniken, um Rauschen zu entfernen und die Klarheit zu verbessern.
• Fortschrittliche Erkennungsalgorithmen: Wenden Sie Deep-Learning-Modelle an, die für unterschiedliche 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, welche Daten aus den Dokumenten erfasst werden sollen. Da es unterschiedliche 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

• 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: Konvertieren Sie das gescannte Bild in Schwarzweiß, um den Kontrast zu verbessern und den Text deutlicher vom Hintergrund abzuheben.

Quelle: Datacap.hk

• Rauschentfernung & Schräglagenkorrektur: Wenden Sie Filter an, um störende Markierungen oder Schatten zu entfernen und jede Neigung im Dokument zu korrigieren. Vermeiden Sie bunte Hintergründe. Nutzen Sie Ausrichtungselemente, um schiefe Dokumente zu vermeiden.

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 verwenden, die Sie unten sehen.

Quelle: How OCR Works⁵

• Textzeilensegmentierung: Dies ist eine Voraussetzung für andere Aufgaben und beinhaltet die Trennung des Dokuments in einzelne Textzeilen. Halten Sie Daten innerhalb der Ränder.
• Wort- und Zeichensegmentierung: Nach der Zeilensegmentierung können Sie die Zeilen weiter in einzelne Wörter und dann Zeichen unterteilen, was für eine genaue Texterkennung entscheidend ist.
• Nutzung fortschrittlicher KI-Tools: KI-gestützte Tools wie Transkribus können anspruchsvolle Text- und Layoutsegmentierung bei komplexen Notizen 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 leicht erkannt zu werden.
• Klare Formatierung: Stellen Sie sicher, dass Kontrollkästchen nicht zu nah am zugehörigen Text stehen und ausreichend Kontrast zum Papier aufweisen.
• KI-gestützte OCR nutzen: Tools können darauf trainiert werden, diese Kontrollkästchen zu erkennen, was die Verarbeitung und Extraktion von angekreuzten/nicht angekreuzten Informationen erleichtert.
• Standardisieren: Verwenden Sie für Konsistenz in Ihren Notizen durchgehend denselben Kontrollkästchentyp und -stil.

4. Verwendung von OCR-Software

• OCR anwenden: Sobald die Notizen gescannt und segmentiert sind, verwenden Sie 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 ungewöhnlichen Layouts.

Gibt es aktive Forschung zur Handschrifterkennung?

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

Die Forschung von Google 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 die genaue Zeichenidentifikation

Außerdem verwendet Google 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 wählen, um genaue Ergebnisse zu liefern.

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

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 richtigen Handschrifterkennung denen von OCR-Tools. Bei der Auswahl eines Anbieters für Handschrifterkennung sollten Sie die folgenden Faktoren berücksichtigen:

• Genauigkeit der Zeichenerkennung
• Kontinuierliche Lernfähigkeiten
• Berechnungsgeschwindigkeit, falls Ergebnisse in Echtzeit geliefert werden müssen
• Benutzerfreundlichkeit der Schnittstelle, wenn diese von Menschen verwendet wird

Darüber hinaus sind Beschaffungs-Best Practices wie die Sicherstellung minimaler Gesamtbetriebskosten (TCO), Flexibilität, Best Practices für Datensicherheit und die Vermeidung von Vendor-Lock-in unerlässlich.

Unten finden Sie eine kurze Liste von Handschriftanbietern. Denken Sie auch daran, dass diese Anbieter auch OCR-Dienste für Ihr Unternehmen bereitstellen können.

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

FAQs

Wenn Sie mehr über Tools zur Handschrifterkennung lesen möchten, könnten Sie auch diese Artikel interessieren:

• Aktueller Stand der OCR: Ist es ein gelöstes Problem?
• OCR-Benchmark: Genauigkeit der Textextraktion/-erfassung
• Dokumentation zur Testautomatisierung mit Best Practices

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 mit 14 LLMs und OCRs}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Abgerufen am 25. August 2026}
}

Änderungsprotokoll

8 Aktualisierungen

Alle8Allgemein6Methodik2

1. 202622. Jan

   Der Abschnitt „Manuskript-Handschrift-Benchmark“ wurde entfernt.

2. 20254. Dez

   Azure Ink Recognizer API aus der Quellenliste entfernt.

3. 27. Nov

   Ein Abschnitt „Ergebnisse des Kursivschrift-Benchmarks“ wurde hinzugefügt.

4. 27. Nov

   Kursiv-Handschriftproben aus der Methodik entfernt.

5. 16. Sep

   Die Einleitung zum Abschnitt „Benchmark-Ergebnisse“ wurde mit neuen Daten aktualisiert.

6. 23. Jan

   Der Vergleich der Ergebnisse mit der Kosinusdistanz wurde aus der Methodik entfernt.

7. 202424. Okt

   Ein Abschnitt „Benchmark-Ergebnisse“ wurde hinzugefügt, der eine Liste führender Produkte und einen Unterabschnitt „Methodik“ enthält.

8. 20231. Dez

   Abbyy zur Liste der Anbieter für Handschrifterkennung hinzugefügt.

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.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Ezgi Arslan, PhD.

Industrieanalystin

Folgen auf

Ezgi hat einen Doktortitel in Betriebswirtschaftslehre mit Spezialisierung auf Finanzen und ist als Industrieanalystin bei AIMultiple tätig. 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, Answer-Engine-Optimierung, 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