Benchmark de reconnaissance de l'écriture manuscrite avec 14 LLMs et OCRs
Les outils OCR atteignent plus de 99 % de précision sur le texte dactylographié dans des images de haute qualité. Cependant, l'écriture manuscrite reste difficile en raison des variations de style, d'espacement et des irrégularités. Nous présentons un benchmark de reconnaissance de l'écriture manuscrite cursive avec 100 échantillons manuscrits rédigés par notre équipe afin d'éviter le surapprentissage.
Résultats du benchmark d'écriture manuscrite cursive
Dans ce benchmark, GPT-5, Gemini 3 Pro Preview et olmOCR-2-7B-1025-FP8 sont les modèles plus performants, obtenant les scores de similarité sémantique les plus élevés et l'interprétation la plus cohérente du texte cursif sur tous les échantillons.
Sur 100 échantillons d'écriture manuscrite cursive rédigés par 10 rédacteurs, Gemini 3 Pro Preview a obtenu un score parfait, tandis que Deepseek OCR a enregistré 79 %.
Les noms complets des produits figurent ci-dessous, nous les avons raccourcis dans le graphique.
- 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
Méthodologie du benchmark d'écriture manuscrite cursive
Pour ce benchmark, 10 rédacteurs ont rédigé à la main 10 paragraphes chacun en cursive, créant ainsi un dataset de 100 échantillons d'écriture manuscrite cursive. Il n'a pas été demandé aux rédacteurs d'écrire proprement. La connectivité naturelle des lettres, la variabilité des traits, la distorsion de l'espacement et la fluidité des lignes ont été intentionnellement préservées pour refléter la complexité réelle de l'écriture cursive.
Le dataset comprend :
- Inclinaison variable, pression du trait et motifs de ligature
- Texte mêlant chiffres, ponctuation et majuscules
- Diverses résolutions d'image et arrière-plans pour garantir la robustesse
Tous les échantillons ont été évalués à l'aide de notre pipeline d'évaluation OCR unifié, basé sur la similarité cosinus pour une comparaison équitable.
Exemple d'image numérisée :
Qu'est-ce que la reconnaissance de l'écriture manuscrite ?
La reconnaissance de l'écriture manuscrite, également appelée OCR de l'écriture manuscrite ou OCR cursive, est un sous-domaine de la technologie OCR qui convertit les lettres manuscrites en texte numérique ou en commandes correspondantes en temps réel. Pour accomplir cette tâche, ces systèmes ont recours à la reconnaissance de motifs pour identifier divers styles de lettres manuscrites. Wikipédia définit la reconnaissance de l'écriture manuscrite comme suit :
La capacité d'un ordinateur à recevoir et à interpréter des saisies manuscrites intelligibles provenant de sources telles que des documents papier, des photographies, des écrans tactiles et d'autres appareils.
Les capacités de reconnaissance de l'écriture manuscrite des LLM sont également très développées ; dans notre benchmark, gemini-3-pro est précis à 100 %.
Qu'est-ce que comprend l'écriture manuscrite ?
Par écriture manuscrite, nous désignons les textes écrits sous forme de script et de cursive. Les textes en style script sont plus faciles à reconnaître, car les caractères sont écrits séparément, en lettres d'imprimerie. En revanche, l'écriture cursive implique des caractères liés tels qu'ils sont écrits.
Cet aspect exige que les outils de reconnaissance de l'écriture manuscrite perçoivent correctement chaque caractère séparé et les identifient avec précision. Voici des exemples d'écriture script et cursive.
Source :1
Les outils de reconnaissance de l'écriture manuscrite peuvent également identifier l'écriture manuscrite sur les écrans numériques. Ce type d'écriture peut être suivi au fur et à mesure qu'il est écrit. Le logiciel peut exploiter votre mouvement dynamique pour fournir des résultats plus précis. Voici un exemple de reconnaissance de l'écriture manuscrite numérique, fourni par Microsoft Azure Ink Recognizer API.
Quels sont les défis de la conversion de l'écriture manuscrite en texte ?
Même si les outils OCR traditionnels sont sur le marché depuis les années 70s, il n'existe encore pas beaucoup d'outils capables de gérer la reconnaissance de l'écriture manuscrite. Comme chacun a son propre style d'écriture, les outils OCR traditionnels ne peuvent pas percevoir l'écriture manuscrite de tout le monde.
Outre la technologie de vision par ordinateur, des algorithmes d'apprentissage profond très complexes sont nécessaires pour identifier avec succès toutes ces variations. Voici une liste des défis que les outils de reconnaissance de l'écriture manuscrite rencontrent fréquemment :
Défis
- Qualité de l'image : Le texte manuscrit est souvent capturé en basse résolution ou avec un mauvais éclairage. Les pages peuvent comporter des taches, des ombres ou des bavures qui agissent comme un bruit de fond.
- Variété des styles d'écriture : Chaque individu a une façon d'écrire unique. Les différences d'alphabets, de formes de lettres et de tailles de caractères rendent la reconnaissance plus difficile.
- Texte incliné : Les lignes manuscrites sont rarement parfaitement droites. Les mots peuvent être inclinés, courbés ou même apparaître à des angles inhabituels.
- Caractères liés : En écriture cursive ou rapide, les lettres et les symboles se rejoignent souvent, ce qui les rend plus difficiles à séparer.
- Dégradation : Les documents anciens ou très utilisés peuvent présenter une encre estompée, un jaunissement ou des dommages de page, réduisant la clarté du texte.
Solutions
Les outils HTR modernes combinent la vision par ordinateur et l'apprentissage profond pour surmonter ces défis. Ces approches vont au-delà de l'OCR traditionnelle, qui existe depuis les années 1970 mais qui peine encore avec l'écriture manuscrite. Aujourd'hui, des progrès sont réalisés grâce aux éléments suivants :
- Améliorer la qualité d'entrée : Capturez ou numérisez les documents à une résolution plus élevée et avec un meilleur éclairage.
- Nettoyage de l'arrière-plan : Utilisez l'apprentissage automatique ou des techniques de photographie pour éliminer le bruit et améliorer la clarté.
- Algorithmes de reconnaissance avancés : Appliquez des modèles d'apprentissage profond conçus pour gérer des styles d'écriture, des alphabets et des lettres liées variés.
- Correction de l'inclinaison : Utilisez des outils de traitement d'image pour détecter et corriger le texte incliné ou pivoté.
- Conception adaptée à l'OCR : Lorsque c'est possible, créez des formulaires et des documents faciles à traiter pour les outils OCR.
Préparation à la conversion de notes manuscrites
Il y a de nombreux facteurs à prendre en compte lors de la conception de documents. Le plus important est la donnée à capturer à partir des documents. Comme il existe différentes façons de représenter le même type de données, vous devez tenir compte de la vitesse, de la précision et de la convivialité de chaque option lors de la construction de votre document.2,3,4
1. Numérisation et prétraitement
- Assurez une numérisation claire : Utilisez un scanner ou une application dédiée pour créer une image haute résolution et bien éclairée de vos notes.
- Binarisation : Convertissez l'image numérisée en noir et blanc pour améliorer le contraste et rendre le texte plus distinct de l'arrière-plan.
Source : Datacap.hk
- Suppression du bruit et correction de l'inclinaison : Appliquez des filtres pour éliminer les marques parasites ou les ombres et corriger toute inclinaison du document. Évitez les arrière-plans colorés. Utilisez des éléments d'alignement pour éviter les documents inclinés.
2. Techniques de segmentation
La segmentation est le processus de décomposition de l'image en composants plus petits et plus faciles à gérer, tels que des lignes de texte, des mots et des caractères individuels. Pour garantir cela, les entreprises peuvent utiliser des méthodes de segmentation, que vous pouvez voir ci-dessous.
Source : How OCR Works5
- Segmentation des lignes de texte : C'est un prérequis pour d'autres tâches ; elle consiste à séparer le document en lignes de texte individuelles. Conservez les données dans les marges.
- Segmentation des mots et des caractères : Après la segmentation des lignes, vous pouvez ensuite diviser les lignes en mots individuels puis en caractères, ce qui est crucial pour une reconnaissance précise du texte.
- Utilisation d'outils d'IA avancés : Des outils basés sur l'IA comme Transkribus peuvent effectuer automatiquement une segmentation sophistiquée du texte et de la mise en page pour des notes complexes.
3. Intégration de cases à cocher pour faciliter la numérisation
- Cases préimprimées : Si vous savez que vous allez numériser vos notes, dessinez ou imprimez clairement des cases à cocher sur la page, en veillant à ce qu'elles soient assez grandes pour être facilement reconnues par les logiciels d'OCR.
- Mise en forme claire : Assurez-vous que les cases à cocher ne sont pas trop proches du texte auquel elles sont associées et qu'elles présentent un contraste suffisant avec le papier.
- Tirer parti de l'OCR basée sur l'IA : Les outils peuvent être entraînés à reconnaître ces cases à cocher, ce qui facilite le traitement et l'extraction des informations cochées/décochées.
- Normalisez : Utilisez le même type de case à cocher et le même style dans toutes vos notes pour plus de cohérence.
4. Utilisation d'un logiciel d'OCR
- Appliquer l'OCR : Une fois les notes numérisées et segmentées, utilisez un logiciel de reconnaissance optique de caractères (OCR) pour convertir les images du texte en texte numérique lisible par machine.
- Post-traitement : Relisez le texte numérisé pour détecter les erreurs, en particulier dans les zones à l'écriture manuscrite complexe ou aux mises en page inhabituelles.
Existe-t-il une recherche active sur la reconnaissance de l'écriture manuscrite ?
Comme la capacité de reconnaissance de l'écriture manuscrite dépend fortement des réseaux de neurones, les progrès de ces algorithmes affectent profondément les performances des outils de reconnaissance de l'écriture manuscrite. Ainsi, la recherche active sur la reconnaissance de l'écriture manuscrite repose sur les algorithmes de réseaux de neurones.
La recherche de Google sur la reconnaissance de l'écriture manuscrite commence par plusieurs étapes d'entraînement :
- Introduction de tous les caractères possibles de différents alphabets
- Entraînement de l'outil à segmenter chaque caractère d'un texte
- Entraînement de l'outil à l'extraction de caractéristiques pour une identification précise des caractères
Google utilise également des algorithmes de traitement du langage pour améliorer les performances de la reconnaissance de l'écriture manuscrite. Par exemple, si l'outil doit choisir entre « i » et « l », il peut analyser le mot entier et décider du caractère approprié pour fournir des résultats précis.
Les logiciels d'OCR intègrent généralement plusieurs moteurs de reconnaissance de l'écriture manuscrite. Ces moteurs fonctionnent de manière synchrone pour générer la représentation de caractères la plus précise correspondant à l'entrée.
Ajouter comme source préféréeFournisseurs de reconnaissance de l'écriture manuscrite
La reconnaissance de l'écriture manuscrite étant un sous-domaine de l'OCR, les critères de choix d'une solution de reconnaissance de l'écriture manuscrite adaptée sont similaires à ceux des outils d'OCR. Lors de la sélection d'un fournisseur de reconnaissance de l'écriture manuscrite, vous devez prendre en compte les facteurs suivants :
- Précision de la reconnaissance des caractères
- Capacités d'apprentissage continu
- Vitesse de calcul si les résultats doivent être fournis en temps réel
- Convivialité de l'interface, si l'interface doit être utilisée par des humains
En plus de ces critères, des bonnes pratiques d'approvisionnement telles que garantir un coût total de possession (TCO) minimal, la flexibilité, les bonnes pratiques de sécurité des données et éviter la dépendance vis-à-vis d'un fournisseur sont essentielles.
Vous trouverez ci-dessous une courte liste de fournisseurs de reconnaissance de l'écriture manuscrite. Gardez également à l'esprit que ces fournisseurs peuvent aussi proposer des services d'OCR pour votre entreprise.
- Abbyy
- Google Cloud Vision API
- Hanvon (Hanwang Technology)
- Infrrd.ai
- MicroBlink
- Microsoft Azure Read API
- Mitek
- MyScript
- Selvasai
- Unitek.ai
FAQ
Utilisez un lecteur d'écriture cursive ou un logiciel de reconnaissance de l'écriture manuscrite pour aider à déchiffrer une écriture manuscrite illisible
Redressez et aplatissez les notes papier pour éviter toute inclinaison ou distorsion, et obtenez des documents numérisés de la meilleure qualité possible
Utilisez un logiciel de reconnaissance optique de caractères (OCR) pour convertir les images numérisées ou les photographies de texte manuscrit.
Exportez le texte numérique converti vers des fichiers PDF ou d'autres formats pour le partage ou le stockage
Recherchez des fonctionnalités telles que la reconnaissance de caractères, l'encre numérique et la prise en charge des lettres d'imprimerie.
Si vous souhaitez en savoir plus sur les outils de reconnaissance de l'écriture manuscrite, ces articles peuvent également vous intéresser :
- État actuel de l'OCR : s'agit-il d'un problème résolu ?
- Benchmark OCR : précision de l'extraction / capture de texte
- Documentation de l'automatisation des tests avec les meilleures pratiques
Citez ce benchmark
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
title = {{Benchmark de reconnaissance de l'écriture manuscrite avec 14 LLMs et OCRs}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/handwriting-recognition}},
note = {AIMultiple. Consulté le 25 Août 2026}
}Journal des modifications
4 mises à jour- 2025
Mise à jour de l'introduction de la section Résultats du Benchmark avec de nouvelles données.
Suppression de la comparaison des résultats avec la distance cosinus de la méthodologie.
- 2024
Ajout d'une section Résultats de l'analyse comparative, comprenant une liste des principaux produits et une sous-section Méthodologie.
- 2023
Abbyy a été ajouté à la liste des fournisseurs de reconnaissance d'écriture manuscrite.
Liens de référence
Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]
Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.
Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.
Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.
Commentaires 4
Partagez vos idées
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.
Exactly what I was looking for. Thank you!
Hi Cem, your article is very clear and practical. Thank you for sharing your knowledge! It will be very useful for me.
See Transkribus from readcoop for handwritten text recognition for cursive writing.
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.
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.