Benchmark de reconnaissance de l'écriture manuscrite: LLMs vs OCRs
OCR les outils atteignent une précision de plus de 99 % sur le texte dactylographié dans des images de haute qualité. Cependant, l'écriture manuscrite reste un défi en raison des variations de style, d'espacement et d'irrégularités. Nous présentons un benchmark d'écriture cursive avec 100 échantillons d'écriture manuscrite rédigés par notre équipe pour éviter le surapprentissage.
Résultats du benchmark d'écriture cursive
Dans ce benchmark, GPT-5, Gemini 3 Pro Preview, et olmOCR-2-7B-1025-FP8 sont les modèles les plus performants, obtenant les scores de similarité sémantique les plus élevés et l'interprétation la plus cohérente du texte cursif sur tous les échantillons.
Les noms complets des produits sont ci-dessous, nous les avons raccourcis dans le graphique. Dans ce benchmark, leurs dernières versions en date de novembre 2025 sont utilisées :
- 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 cursive
Pour ce benchmark, 10 rédacteurs ont écrit à la main 10 paragraphes chacun en cursive, ce qui a donné un ensemble de données de 100 échantillons d'écriture 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 cursive réaliste.
L'ensemble de données comprend :
- Inclinaison variable, pression du trait et motifs de ligature
- Texte mélangé avec des chiffres, de la ponctuation et des majuscules
- Résolutions d'image et arrière-plans variés 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 connue sous le nom d'OCR d'écriture manuscrite ou d'OCR cursive, est un sous-domaine de la OCR technologie qui traduit les lettres manuscrites en texte numérique ou commandes correspondantes en temps réel. Pour effectuer cette tâche, ces systèmes bénéficient de la correspondance de motifs pour identifier différents styles de lettres manuscrites. Wikipédia définit la reconnaissance de l'écriture manuscrite comme suit :
La capacité d'un ordinateur à recevoir et interpréter des entrées 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 qui est inclus dans l'écriture manuscrite ?
Par écriture manuscrite, nous faisons référence aux textes écrits en forme manuscrite et cursive. Les textes en style manuscrit sont plus faciles à reconnaître car les caractères sont écrits séparément comme des lettres d'imprimerie. Cependant, l'écriture cursive implique des caractères joints lorsqu'ils sont écrits.
Cet aspect nécessite que les outils de reconnaissance de l'écriture manuscrite perçoivent correctement chaque caractère séparé et les identifient avec précision. Voici des exemples d'écriture manuscrite et cursive.
Source: Quora1
Les outils de reconnaissance de l'écriture manuscrite peuvent également identifier l'écriture manuscrite sur des écrans numériques. Ce type d'écriture manuscrite peut être suivi au fur et à mesure qu'elle est écrite. Le logiciel peut tirer parti de votre mouvement dynamique pour fournir des résultats plus précis. Voici un exemple de reconnaissance d'écriture manuscrite numérique, fournie 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 70, il n'existe toujours 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 de tous.
Outre la 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 inclure des taches, des ombres ou des bavures qui agissent comme du bruit de fond.
- Variété des styles d'écriture : Chaque individu a une façon unique d'écrire. 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 s'incliner, se courber ou même apparaître à des angles inhabituels.
- Caractères connectés : En cursive ou en écriture rapide, les lettres et les symboles se rejoignent souvent, ce qui les rend plus difficiles à séparer.
- Dégradation : Les documents plus anciens ou très utilisés peuvent avoir de l'encre décolorée, un jaunissement ou des dommages de page, réduisant la clarté du texte.
Solutions
Les outils modernes de reconnaissance de l'écriture manuscrite combinent la vision par ordinateur et l'apprentissage profond pour surmonter ces défis. Ces approches vont au-delà de l'OCR traditionnel, qui existe depuis les années 1970 mais qui a toujours du mal avec l'écriture manuscrite. Aujourd'hui, des progrès sont réalisés grâce à :
- Améliorer la qualité d'entrée : Capturez ou numérisez des documents à une résolution plus élevée et avec un meilleur éclairage.
- Nettoyage de l'arrière-plan : Utilisez l'apprentissage automatique ou des techniques photographiques pour supprimer le bruit et améliorer la clarté.
- Algorithmes de reconnaissance avancés : Appliquez des modèles d'apprentissage profond conçus pour gérer des styles d'écriture variés, des alphabets et des lettres connectées.
- 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 cela 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 une variété de facteurs à prendre en compte lors de la conception de documents. Le plus important est les données à capturer à partir des documents. Comme il existe différentes façons de représenter le même type de données, vous devez prendre en compte la vitesse, la précision et 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 supprimer les marques parasites ou les ombres et corriger toute inclinaison dans le document. Évitez les arrière-plans colorés. Profitez 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 ce faire, les entreprises peuvent utiliser des méthodes de segmentation, que vous pouvez voir ci-dessous.
Source : Comment fonctionne l'OCR5
- Segmentation des lignes de texte : C'est un prérequis pour d'autres tâches et implique de séparer le document en lignes de texte individuelles. Gardez les données dans les marges.
- Segmentation des mots et des caractères : Après la segmentation des lignes, vous pouvez diviser davantage 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 alimentés par 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 une numérisation plus facile
- Cases pré-imprimées : Si vous savez que vous allez numériser vos notes, dessinez ou imprimez clairement des cases à cocher sur la page, en vous assurant qu'elles sont suffisamment grandes pour être facilement reconnues par le logiciel 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 ont un contraste suffisant avec le papier.
- Tirez parti de l'OCR alimentée par l'IA : Les outils peuvent être entraînés à reconnaître ces cases à cocher, ce qui facilite le traitement et l'extraction des informations cochées/non cochées.
- Standardisez : 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 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 : Examinez le texte numérisé pour détecter les erreurs, en particulier dans les zones avec une écriture manuscrite complexe ou des mises en page inhabituelles.
Ajouter comme source préféréeExiste-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 est généralement basée sur des algorithmes de réseaux de neurones.
La recherche de Google sur la reconnaissance de l'écriture manuscrite commence par plusieurs étapes de formation :
- Introduction de tous les caractères possibles de différents alphabets
- Formation de l'outil pour segmenter chaque caractère dans un texte
- Formation de l'outil pour 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 OCR ont généralement plusieurs moteurs de reconnaissance de l'écriture manuscrite intégrés. Ces moteurs fonctionnent de manière synchrone pour générer la représentation de caractère la plus précise correspondant à l'entrée.
Fournisseurs 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 reconnaissance de l'écriture manuscrite appropriée sont similaires à ceux des outils 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 dans le cas où les résultats doivent être fournis en temps réel
- Convivialité de l'interface, si l'interface doit être utilisée par des humains
En plus de cela, les meilleures pratiques d'approvisionnement telles que garantir un coût total de possession (TCO) minimum, la flexibilité, les meilleures 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. Vous devez également garder à l'esprit que ces fournisseurs peuvent également fournir des services OCR pour votre entreprise.
- Abbyy
- Google Cloud Vision API
- Hanvon Technology
- Hanwang Technology
- Infrrd.ai
- MicroBlink
- Microsoft Azure Read API
- Mitek
- MyScript
- Selvasai
- Unitek.ai
- Vidado
FAQ
Utilisez un lecteur d'écriture cursive ou un logiciel de reconnaissance de l'écriture manuscrite pour vous aider à déchiffrer l'écriture manuscrite illisible
Redressez et aplatissez les notes papier pour éviter l'inclinaison ou la distorsion, et obtenez des documents numérisés de la plus haute qualité possible
Utilisez un logiciel de reconnaissance optique de caractères (OCR) pour convertir des images numérisées ou des 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 : est-ce un problème résolu ?
- Benchmark OCR de facture : précision d'extraction des LLMs vs OCRs
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},
title = {{Benchmark de reconnaissance de l'écriture manuscrite: LLMs vs OCRs}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/handwriting-recognition}},
note = {AIMultiple. Consulté le 2 Juillet 2026}
}Liens de référence
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.