30/08/2026

OCR לכתב-יד ביידיש ב-2026: מודלים קהילתיים, פנקסים, ומתי עדיין צריך צינור מותאם

נכתב לארכיונאים, ספרניות, היסטוריונים ולמהנדסים שמלווים אותם.

אם הגעתם לכאן עם תיקייה של עמודים ביידיש — רצף של פאָרװערטס, חבילת מכתבי משפחה, פנקס, ערמת תקנות בגופן שאף אחד בחדר הקריאה לא ממש יודע איך לקרוא לו — השאלה זהה לזו ששואלים על עברית. האם OCR יקרא את זה, באיזו איכות, על איזה מנוע, ומתי מבזבזים כסף על מודל שאומן על כתב-היד של מישהו אחר.

התשובה הקצרה זהה לזו שבמדריך ה-OCR לעברית שפרסמנו במאי: הטכנולוגיה סוף-סוף בשלה לעבודה רצינית, אבל רק אם מתייחסים ל"OCR ליידיש" כשלוש או ארבע בעיות שחולקות אלפבית, לא כחבילת שפה שמדליקים.

הפוסט הזה הוא הגרסה מעוצבת-יידיש של אותו טיעון. זו לא טבלת בנצ'מרק חדשה. המספרים למטה שנראים כמו מספרים הם אלה שכבר באתר, או נתוני הוולידציה שהמפרסמים מדפיסים על כרטיסי Transkribus שלהם — עם ההסתייגות שלהם.

"יידיש" אינה כתב אחד

לפני כל השוואת מנועים, תנו שם לאובייקט.

דפוס יידי מאמצע המאה ה-20 (עיתונים, ספרים, חוברות באות עברית מרובעת או מעט מעוגלת) הוא הקטב הקל. ל-Tesseract יש חבילה yid. Google Document AI ייראה לעיתים מרשים על סריקה נקייה. בטבלת מדריך 2026, "דפוס יידי מאמצע המאה ה-20" יושב על 80–90% מן המדף, 95–98% אחרי 500 שורות אימון, 98–99% אחרי 5,000. השורה הזו היא הסיבה שאנשים חושבים שהבעיה פתורה.

ווײַבערטײַטש אינו הגופן הזה. זה הדפוס האשכנזי החצי-רהוט שבו הודפסו טקסטים ביידיש מהמאה ה-16 עד המאה ה-19, ונקרא גם ivre-taytsh, vayberksav, taytsh, כתב-צאינה-וראינה, kleyn-taytsh, כתב-תחנות, משקט/משייט. לעין לא-מאומנת הוא נקרא ככתב-יד גם כשהוא מתכת. מודל שאומן על פאָרװערטס משנות ה-50 לא יקרא תקנה מאמסטרדם של המאה ה-18. ההפך גם הוא נכון.

כתב-יד הוא בעיה שלישית. צורות האותיות משתנות לפי כותב, אזור, עשור, ולפי אם העמוד הוא מכתב אישי, מחזה בכתב-יד, פנקס חשבונות קהילתי, או תשובה רבנית שבמקרה כתובה ביידיש. HTR הוא מידול רצף, לא סיווג תווים. ערך המילון באתר חד בעניין: אימון מותאם על כמה מאות שורות של יד ספציפית יכול להרים דיוק ממתחת ל-60% למעל 95%. המשפט הזה הוא על HTR כמשפחת מערכות, לא הבטחה על מכתבי דוד שלכם.

עמודים מעורבים — גוף ביידיש, כותרות בעברית, חותמת רוסית או גרמנית, חתימה לטינית — הם בעיה רביעית שצינורות גנריים נכשלים בה באופן מסוים: הם בוחרים שפה אחת ומשבשים בשקט את השאר. אופן הכשל הזה מתואר במדריך העברית ובמאמר פלטפורמה-מול-צינור. הוא אינו תיאורטי. הוא המצב הרגיל של פנקס קהילה.

אם העמודים מודפסים, אחרי 1920, שלמים, עמודה אחת, ויידיש בלבד — סביר שתגיעו רחוק בכלים מן המדף. כל דבר אחר, ואתם באותה טריטוריית אימון מותאם שהמדריך העברי ממפה.

מה המודלים הציבוריים באמת

שני מודלי Transkribus הם כיום מה שמתכוונים אליו כשאומרים "כבר יש HTR ליידיש". אלה מודלים קהילתיים. MF Smart Research לא פרסמה אותם. אנחנו מפעילים אותם, כשהם מתאימים, כמו שמפעילים Tesseract או Kraken: כמנוע על העמודים שלכם, נמדד מול אמת-יסוד שאפשר לראות.

The Dybbuk for Yiddish Handwriting הוא מודל PyLaia ציבורי ב-Hub של Transkribus (מזהה 46159, פורסם ב-13 בנובמבר 2022). כרטיס המודל אומר שאמת-היסוד היא בעיקר כתבי-יד של מחזות מסוף המאה ה-19 וראשית ה-20, שנכתבו בניו-יורק ובאירופה, וכן מכתבים שתוקנו בידי משתתפי סדנה פתוחה. פרויקט DYBBUK — מחקר ממומן ERC על התיאטרון העממי ביידיש, עם דגש על קורפוסי הורוויץ ולטיינר — בנה אותו כדי שמחברות ייוו ב-YIVO יפסיקו להיות קיר. המאמר של רותי אבלביץ ב-In geveb, פברואר 2022 עדיין הקריאה הראשונה הנכונה: סיני רוסינק על הממשק, מרים טרין ואורן כהן-רומן בחדרים, הזמנה לקהילת Transkribus יידית במקום טענה שמודל אחד יקרא הכול.

הכרטיס מדווח על שיעור שגיאת תווים נמוך על מאגר הוולידציה של עצמו, ו-Transkribus מדפיסה את המשפט שחשוב: התוצאות על המסמכים שלכם עשויות להשתנות לפי סגנון כתב-היד, מצב המסמך, השפה, ומידת הקרבה של החומר שלכם לחומר האימון. מחזה של לטיינר במחברת משבצת אינו פנקס גבאי, ואינו גלויה מלודז'.

Vaybertaytsh.YidTakNL הוא מודל PyLaia ציבורי (מזהה 57147, פורסם ב-29 בנובמבר 2023) של רוני רשף ומריאם גוטשו, שנבנה לתמוך במחקר באוניברסיטת ארסמוס על תקנות קהילת יהודי אשכנז בהולנד במאות ה-18–19. חומר האימון הוא דפוס ווײַבערטײַטש, לא כתב-יד. המפרסמים מפורשים שהתחילו ממודל קודם שמבוסס בעצמו על Dybbuk, ושווײַבערטײַטש שונה מהותית מגופנים עבריים נפוצים ומדפוס יידי מודרני — ולכן בכלל היה צריך לעשות את העבודה. מערך הנתונים והשיטה מתועדים ב-Journal of Open Humanities Data. אם העמודים שלכם הם תקנות אמסטרדם באותו דפוס, זה המודל לנסות ראשון. אם לא — 0.9% CER על פיצול הוולידציה של המפרסמים הוא עובדה על מבחן שלהם, לא על הספר שלכם.

DiJeSt, באותו Hub, הוא המקבילה לדפוס בכתב עברי שאליה מגיעים כשהעמוד הוא אות מרובעת מודרנית באורתוגרפיה יידית. אותו כלל: להפעיל, למדוד, לא להטביל CER ולידציה כהצעת מחיר לפרויקט.

הדפוס שיש להפנים הוא זה שכבר במדריך העברית. OCR ענן מסחרי לדפוס מודרני נקי בקנה מידה. Transkribus (ו-Kraken/eScriptorium) לחומר היסטורי עם אימון, במיוחד כשמי שאינם מהנדסים צריכים לשבת בלולאת התיקון. צינורות טרנספורמרים מותאמים — TrOCR, GOT-OCR2 ונגזרות — הם המקום שבו אנחנו מבלים את רוב הזמן על השבר הקשה. מודלי ראייה מבוססי LLM יקראו עמוד נקי ואחר כך, ביד רבנית או קהילתית, ימציאו את המילה שאמורה להיות שם. שלבו אותם עם מנוע לא-גנרטיבי, או אל תשתמשו בהם כצינור.

פנקסים: השורה בטבלה שאמורה להזהיר

פנקס קהילה הוא ספר החשבונות של הקהילה: לידות, נישואין, פטירות, מסים, החלטות, צדקה, סכסוכים. עברית, יידיש ולשון המקום בערבוב, בידיים רבניות קשות, לעיתים כמה ידיים בכריכה אחת, מהמאה ה-16 עד המאה ה-20. הוא רשום באתר כיעד קבוע ל-HTR כי זה סוג המסמך שמגיע הכי הרבה עם השאלה "אפשר פשוט להריץ על זה OCR".

טבלת 2026 אינה נדיבה לתקווה הזו:

חומר מן המדף אחרי 500 שורות אימון אחרי 5,000 שורות
דפוס יידי מאמצע המאה ה-20 80–90% 95–98% 98–99%
פנקס קהילה עם כמה ידיים 20–40% 65–80% 85–93%
מכתב אישי בכתב יד עברי, המאה ה-20 30–55% 80–90% 93–97%
יד רבנית, המאה ה-18–19 15–35% 70–85% 90–95%

שתי הערות, שתיהן כבר במדריך.

ראשית, הערך השולי של תמלול אנושי אינו ליניארי. 500 השורות הראשונות של אמת-יסוד מרימות את הדיוק בחדות. 4,500 הבאות מעבירות מ"שימושי" ל"בר-פרסום". מעבר ל-10,000 נלחמים בתשואה פוחתת. בפנקס, השורות האלה צריכות לייצג יתר את העמודים המכוערים — היד השנייה, נזקי המים, רשימת השמות הדחוסה בשוליים. מודל שאומן על 80% הקלים ייכשל ב-20% שבהם בדרך כלל יושב הערך ההיסטורי.

שנית, כרכים עם כמה סופרים דורשים מודל לכל יד לתוצאות שמישות. "מודל פנקס" אחד שממוצע שלוש ידיים ייראה מכובד בשקף ויחמיץ את הלבלר שאתם באמת צריכים.

שום דבר מזה לא אומר "אל תריצו Dybbuk או Vaybertaytsh.YidTakNL על פנקס". זה אומר: להריץ על מדגם, למדוד, ולהאמין למדידה. תקנת קהילה בדפוס ווײַבערטײַטש מאמסטרדם קרובה למה ש-YidTakNL ראה. פנקס ליטאי רב-ידיים בכתב רבני — לא. התחלה ממודל ציבורי עדיין זולה מהתחלה ממשקלים אקראיים. להעמיד פנים שהמודל הציבורי הוא עבודה גמורה זו הדרך שבה פרויקטים מגלים החמצות שקטות כעבור שנה, חיפוש-שם כושל אחד אחרי השני.

Transkribus היא הפלטפורמה. היא לא הפרויקט.

זו ההבחנה שמוסדות מטשטשים, ואנחנו מסרבים לטשטש.

Transkribus היא פלטפורמת ה-HTR המקצועית של READ-COOP: ענן, ממשק אימון שהיסטוריון באמת יכול להפעיל. ליידיש היא לעיתים קרובות המקום הנכון לעבוד, כי המודלים הקהילתיים חיים שם, וכי האנשים שעדיין יודעים לקרוא את היד הם רק לעיתים נדירות האנשים שרוצים לכוון ריצת PyTorch. מדריך העברית כבר אומר זאת: Transkribus הוא הבחירה הנכונה כשצריך לערב אנשי מקצוע שאינם מהנדסים בלולאת האימון והביקורת.

מה היא לא: תחליף להכרת החומר, תחליף לאמת-יסוד, או הבטחה שמודל ציבורי יוכל להכליל. פלטפורמה מדווחת שהעיבוד הושלם. צינור מחקר צריך לדעת עד כמה, על סט שמור מתוך האוסף הזה, עם ציון ביטחון שכיילתם ולא שהאמנתם לו. כתבנו מקרה בוחן נפרד על הנקודה האחרונה: קטגוריית "ודאי" לא-מכוילת שהייתה נכונה ב-56% מהמקרים, ושינוי סף — לא מודל חדש — שהעלה את הדיוק בקטגוריה הזו ל-90%. המודל נשאר אותו מודל. הגדרת "ודאי" לא.

MF Smart Research לא מחליפה את Transkribus. אנחנו מפעילים אותה על אוסף: מבנה (עמוד פנקס הוא לעיתים ארבעה אזורים, לא אחד), דגימה, אימון, תור ביקורת מונע-ביטחון, ייצוא אל הקטלוג שהמוסד כבר מריץ. כשהשבר הקשה של האוסף נמצא מחוץ למה שמודל ציבורי או מחזור אימון ב-Transkribus יגיעו אליו בסבירות, השבר הזה עובר במעבר מותאם. הרוב הקל יכול להישאר בפלטפורמה. ההיבריד הזה פרוש, בלי רומנטיקה יידית, בפלטפורמה מן המדף או צינור מותאם?.

Kraken / eScriptorium נשאר סטאק ה-HTR החינמי הטוב ביותר אם אתם מוכנים לאמן מודל בעצמכם ולהריץ אותו על GPU של מחשב נייד. Tesseract נשאר התשובה הנכונה לדפוס מודרני נקי ולתקציב הדוק. אף אחד מהם אינו מכונת-פנקסים מן הקופסה.

מתי עדיין צריך צינור מותאם

כלל מדריך 2026 לאימון מודל מותאם, בניסוח ליידיש:

כדאי לאמן כש-(א) הדיוק על דגימה מייצגת נמוך מ-90%, (ב) לסוג המסמך מאפיינים ייחודיים — ווײַבערטײַטש, ערבוב יידיש–עברית, יד קהילתית, דיו דהוי — או (ג) הפרויקט מעל 500 עמודים. מתחת לזה, תיקון ידני בדרך כלל זול יותר מאימון.

צינור מותאם, במובן שבו אנחנו משתמשים בביטוי, אינו "בנינו מודל יידי ציבורי חדש". זו מערכת לכל אוסף: עיבוד מקדים שמתאים לפגיעה שיש בפועל, מבנה שמתאים לעמוד, מודל (לעיתים fine-tune של Dybbuk או YidTakNL, לעיתים לא) שנמדד על סט בדיקה שהלקוח ראה, ביטחון שכויל מול הסט הזה, וייחוס מקור לכל שורה. כל תו מתומלל חוזר לעמוד. אנחנו לא מוסרים פחות או יותר את מה שכתוב במסמך.

שם גם יושבת העלות, וחלוקת התקציב במדריך העברית עדיין חלה: תפיסת תמונה ועיבוד מקדים 25–40%; אמת-יסוד 20–35%; אימון מודל 5–15%; בקרת איכות 15–25%; מטא-דאטה, חיפוש ומסירה 10–20%. סעיף ה-AI הוא לעיתים הקטן ביותר. הצעה שסופרת רק את מעבר ה-OCR הסתירה את השאר.

מה שיחת 30 הדקות באמת עושה

אם יש לכם עמודים ושאלה — האם זה יעבוד, באיזה היקף — הדרך הזולה ביותר לתשובה כנה היא עדיין שיחת תיאום של 30 דקות. מעבירים עמודים מייצגים, כולל המכוערים, בשלושה מנועים. חולקים ציוני ביטחון. אומרים אם AI הוא הכלי הנכון, כולל "עוד לא" ו"השתמשו במודל הציבורי בתוך Transkribus ואל תשכרו אותנו".

מקרה בר-ביצוע עובר לפיילוט חינם על החומר עצמו — לארגונים: 100 מסמכים, 10 תצלומים ו-5 סרטים, בלי הגבלת זמן; ליחידים: 10 פריטים חינם. ייצור רק אחרי זה. המתודולוגיה היא זו שבדף האודות: הגדרת היקף, פיילוט, ייצור, מסירה. חומר לקוח אינו מתפרסם או בשימוש חוזר בלי אישור בכתב.

הביאו שלושה עמודים. תנו שם לכתב כמיטב יכולתכם. אם אינכם יכולים — גם זו אינפורמציה שימושית.

— מתי פרנקלזון, 30 באוגוסט 2026

שאלות נפוצות

האם יש מנוע OCR טוב מן המדף ליידיש ב-2026?

לדפוס יידי נקי מאמצע המאה ה-20, Tesseract עם חבילת yid ומנועי הענן העיקריים שמישים; טבלת 2026 באתר שמה את החומר הזה על 80–90% מן המדף. Transkribus מגיע לשם עם פחות הגדרות והוא הסביבה העדיפה אם צפוי אימון. אין מספר כנה מן המדף לדפוס ווײַבערטײַטש או לכתב-יד.

אפשר פשוט להריץ את מודל Dybbuk ב-Transkribus על מכתבי המשפחה?

אפשר להריץ. לא כדאי להאמין ל-CER הוולידציה שעל כרטיס המודל עד שמודדים את המודל על המכתבים שלכם. חומר האימון המפורסם של Dybbuk הוא בעיקר מחזות בכתב-יד מסוף המאה ה-19 וראשית ה-20, ועוד מכתבי סדנה. אם העמודים נראים כך, זה המודל הראשון הנכון. אם לא — אלה משקלי התחלה, לא תוצאה. MF Smart Research לא אימנה את המודל הזה; אנחנו מפעילים אותו כמו כל מנוע ציבורי אחר.

ומה עם ווײַבערטײַטש? זה כתב-יד?

לא. ווײַבערטײַטש הוא גופן היסטורי. המודל הציבורי שנבנה עבורו, Vaybertaytsh.YidTakNL, אומן על תקנות קהילת אמסטרדם במאות ה-18–19. השתמשו בו לאותו דפוס. אל תשתמשו בו כמודל כתב-יד יידי גנרי, ואל תשתמשו במודל כתב-יד כתחליף לו.

האם OCR יעבוד על פנקס קהילה?

לפעמים, אחרי אימון, על בסיס יד-יד. נתוני המדף בטבלת 2026 לפנקס רב-ידיים הם 20–40%. אחרי 5,000 שורות אימון אותה שורה היא 85–93%. זה הטווח שבו חיפוש שמות מתחיל להיות שווה בנייה. זה לא ציטוט לכריכה שלכם. שיחת 30 דקות עם שלוש פתיחות מייצגות זולה משנה של תיקון ריצה גנרית.

האם אתם מחליפים את Transkribus?

לא. Transkribus היא פלטפורמה. אנחנו מפעילים ומאמנים עליה כשהיא הסביבה הנכונה, ומריצים מעבר מותאם על השבר שהיא לא תקרא היטב. אתם נשארים עם הפרויקט, עם המודלים שאומנו על העמודים שלכם, ועם הייצוא. למסגרת ההחלטה ראו את מדריך פלטפורמה מול צינור.

מתי צינור מותאם שווה את זה?

כשדגימה מייצגת מתחת ל-90%, כשהכתב או המבנה ייחודיים, או כשהפרויקט גדול מכ-500 עמודים. מתחת לזה, לשלם לאדם שיתקן ריצת מודל ציבורי הוא בדרך כלל הבחירה הרציונלית. נאמר זאת.

מאמרים קשורים

בקשת ייעוץ ראשוני בן 30 דקות: [email protected]