在AI时代介绍手写文字识别软件Transkribus落伍了吗

新闻

作者：微信文章
在写本文之前，Mia在微信上搜了一下，发现Transkribus已经有很多介绍文字了（见文后扩展阅读部分），并且似乎是历史学界大家都知道的一款软件，因此我在犹豫自己要不要再来介绍，介绍哪些方面。

我打算从以下几个方面聊两句。

1. 我为什么要介绍手写文字识别软件

2. 我为什么要介绍Transkribus

3. 目前各种AI当道，Transkribus是否还具有优势

最后，我会给出一些参考文献，如果大家希望我后续出更加详细的使用教程，可以留言。

---

1. 为什么要介绍手写文字识别软件

因为最近刷到一位老师去世的推文（R.I.P.），其中提到历史学研究需要做手稿识别。我本身不是历史学专业的，想想确实应该有不少一手资料是手稿形式的，于是打算介绍一下，望能减轻部分学者的工作。

2. 为什么要介绍Transkribus

因为我只用过这一款手写识别软件。几年前曾经帮一位网友处理过一个手写文档，用的就是这个。当时的体验还是不错的，但是没顾上在推文里介绍。它的官网是https://www.transkribus.org，见图1。





图1 Transkribus官网（图源：https://www.transkribus.org）

3. 目前各种AI当道，Transkribus是否还具有优势

这个问题我认为是最有价值的。并且对很多传统的“智能”软件都可以提这个问题，例如与手写文字识别（HTR）很接近的光学字符识别（OCR）领域，也有一些老牌强势软件比如ABBYY。

我在为写这篇推文的简单调研中，看到一篇文章《旧文本的新透镜——跨学科应用案例研究（AI4SS系列之十）》[1]，其中有如下这段话：

“LLMs对历史研究的第一个革命性贡献在于“手稿转写”（Transcription）。长久以来，将手写历史文献转化为机器可读的文本，是一项极其耗时且需要专业技能的工作。尽管专门的“手写文本识别”（Handwritten Text Recognition, HTR）软件（如Transkribus）已取得一定进展，但它们通常需要针对特定笔迹进行大量训练，且成本不菲。而最新的多模态LLMs，如GPT-4o，能够直接“阅读”手稿图片并进行转写，其表现令人瞩目。一项研究表明，在处理18、19世纪的英文手稿时，LLMs不仅在准确率上显著超越了Transkribus（字符错误率低至1.8%，接近人类水平），而且速度和成本都仅为后者的几十分之一 51。这被誉为档案数字化领域的“分水岭时刻”，它极大地降低了历史学者利用一手档案的门槛。”

红字为Mia所标出。如果各位最近使用“豆包”这类大语言模型，会发现它特别喜欢把数字说的很精确，这里的“错误率低至1.8%”、“速度和成本都仅为后者的几十分之一”就很符合这一特征。事实上，这句话最后有一个“51”我认为或许是所提到的这项研究的文献编号，可在该推文中也没有发现参考文献列表。

Mia特地去使用“HTR+Transkribus+llm”搜索相关文献，找到了2025年较新的两篇文章（文献[2]与文献[3]）。相信这两篇相对更加权威的文章的内容会带来更准确的判断。

文献[2]对比了手写文字识别的四款引擎（PyLaia、HTR+、IDA和TrOCR），其中被集成在Transkribus中的有PyLaia和基于TrOCR开发的Titan引擎（这被Transkribus称为“超级模型”）。文中提到，TrOCR最初由Microsoft开发，基于Vision和LLM-Transformer架构。它将视觉功能与大语言模型（LLM）相结合，可实现高效的手写文本识别。从这一点看，说Transkribus不如LLM就很荒谬了，因为Transkribus里已经有基于LLM的识别引擎了。

文献[3]专门考察了现有的多模态大语言模型（GPT-4o、GPT-4o-mini、Claude 3.5 Sonnet、MiniCPMV- 2 6、Qwen2-vl-7B、Pixtral12B、InternVL2-8B和Phi-3-mini-instruct-128k）在手写文字识别上的效能，并与Transkribus进行了比较。具体地，参与比较的数据集如表1所示。

表1 文献[3]所测试的数据集



接下来依照表1中数据集的顺序汇报文献[3]的测试结果：

（1）现代英文手稿数据上，Transkribus超级模型的识别准确性远低于绝大多数多模态LLM模型；

（2）现代法文手稿数据上，Transkribus超级模型的识别准确性远低于商业多模态LLM模型。

（3）历史意大利文资料方面，Claude-3-5-sonnet-20240620一枝独秀，错误率大致在20~30%，Transkribus（文献[3]研究进行时目前没有意大利语的超级模型，故而这里是基于PyLaia的“Italian Handwriting M1”）则与我国的Qwen2-VL-7B类似，表现略逊一筹，错误率大致在25~50%；

（4）历史英文手稿上，Transkribus则与我国的Qwen2-VL-7B一起拔得头筹，错误率很好地控制在10%左右；

（5）在最后两个数据集上，Transkribus则遥遥领先。

基于文献[3]的测试结果来看，相对于当前火爆的多模态大语言模型，Transkribus的优势主要体现在英、德、法文的历史手稿上。在Mia撰稿时（2025-9-30），Transkribus的超级模型中已经涵盖了意大利文（甚至更多文字），如图2，因此或许可以对其在意大利文（以及其他文字）历史手稿上的效果进行进一步考察。



图2当前Transkribus的超级模型“The Text Titan I ter”已支持意大利文（图源：https://beta.transkribus.org/models/public）

面对目前各种AI当道，Transkribus在历史手稿识别任务上仍具有优势和保持优势的潜力。这在全行业传统软件上都具有启发意义，如语音应用、图像编辑工具、视频剪辑软件、物理仿真软件、游戏制作软件等，也许以前也或多或少使用了机器学习算法，但是要想在AI大潮中保持自己的优势，可能最好是积极考虑新的结合可能性。

希望本文能对读者有所帮助，如果大家希望我后续出更加详细的使用教程，可以留言。

参考文献

[1] 数图笔记. 旧文本的新透镜——跨学科应用案例研究（AI4SS系列之十）[EB/OL]. (2025-09-22). https://mp.weixin.qq.com/s/Zt-RuE4vDw5q_iow71f9qA.

[2] Romein, C. A., Rabus, A., Leifert, G., & Ströbel, P. B. (2025). Assessing advanced handwritten text recognition engines for digitizing historical documents[J].International Journal of Digital Humanities,7,115–134. https://doi.org/10.1007/s42803-025-00100-0

[3] Crosilla, G., Klic, L., & Colavizza, G. (2025). Benchmarking large language models for handwritten text recognition[J].Journal of Documentation,1–21. https://doi.org/10.1108/JD-03-2025-0082

扩展阅读

1
科学史图书馆，公众号：科学史图书馆识别手稿准确率95%的人工智能：Transkribus与人文研究的前景

2
科学史图书馆，公众号：科学史图书馆用AI识读中世纪拉丁手稿：Transkribus训练课程

3
新智元，公众号：新智元全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科

4
番石榴AI，公众号：番石榴AI基于 Transformer 模型的历史手稿手写文本识别

5
公众号：ERGIC Team顶刊编译 | 人工智能在人文科学研究中的应用综述

6
公众号：图书情报研究理论探讨 |于英香：基于“AI+ 众包”的文献数字化实践探析

7
公众号：DH数字人文研讨会｜文本处理工具Transkribus 的使用

8
李春郁，公众号：国际翻译动态热点追踪 | 揭开手写文本识别“最先进”的秘密

9
兰台小子，公众号：兰台小子海外采风丨比利时：梅赫伦档案馆利用AI数字化数百万古籍手稿，革新历史保存方式