OCR יידיש וזיהוי כתב-יד

"OCR ליידיש" אינו מתג אחד. דפוס יידי מאמצע המאה ה-20, ווײַבערטײַטש (הדפוס האשכנזי החצי-רהוט של אירופה המוקדמת-מודרנית), וכתב-יד מסוף המאה ה-19 וראשית ה-20 הם שלוש משימות זיהוי. מנועי עברית מן המדף בוחרים לעיתים שפה אחת בעמוד מעורב ומשבשים את השאר. MF Smart Research מריצה את המודל שמתאים לעמוד — כולל מודלים קהילתיים ציבוריים ב-Transkribus — ומאמנת על החומר שלכם כשהמודל אומן על חומר של מישהו אחר.


למי זה מיועד

  • ארכיונים וספריות עם עיתונות יידית, התכתבויות, מסמכים אישיים או תקנות קהילה.
  • חוקרים שעוברים על קורפוס מכתבים, מחזות בכתב-יד, או תקנות, וצריכים טקסט בר-חיפוש ולא תיקיית JPEG.
  • משפחות עם מכתבים ביידיש או פנקס הכתוב יידיש או עברית–יידיש בערבוב.

בעמוד האודות כבר רשומים צינורות OCR ו-HTR לחומרי יידיש מודפסים וכתובים בכתב-יד מתחילת המאה ה-20 — עיתונות תקופתית, התכתבויות ומסמכים אישיים. שמות מוסדות לא פורסמו שם, ולא יומצאו כאן.


איך נראית שיחת 30 הדקות

ייעוץ ראשוני ללא תשלום, כבדף האודות.

שלחו כמה עמודים שהם באמת טיפוסיים: טור עיתון צפוף, מכתב ביד צפופה, שער בווײַבערטײַטש, שורת פנקס — לא רק את הסריקה הנקייה. בתוך שלושים דקות:

  1. מסווגים את הכתב (דפוס מודרני, משקט/ווײַבערטײַטש, כתב-יד, עברית מעורבת).
  2. מעבירים את אותם עמודים בשלושה מנועים. אם מודל Transkribus ציבורי הוא הניסיון הראשון המובן מאליו, הוא אחד משלושתם.
  3. קוראים את השגיאות ביחד (בלבול אותיות שיטתי מול קריסת מבנה מול זיהוי שפה).
  4. אומרים אם להישאר ב-Transkribus, לעשות fine-tuning על העמודים שלכם, או להעביר את השבר הקשה לצינור מותאם — כולל "עוד לא".

מקרה בר-ביצוע עובר לפיילוט חינם על האוסף עצמו — לארגונים: 100 מסמכים, 10 תצלומים ו-5 סרטים, בלי הגבלת זמן; ליחידים: 10 פריטים חינם — עם שיעורי שגיאה וציוני ביטחון.


מודלים קהילתיים שאפשר להפעיל (לא שלנו)

שני מודלי Transkribus ציבוריים הם מה שמתכוונים אליו כשאומרים "כבר יש HTR ליידיש":

  • The Dybbuk for Yiddish Handwriting (מזהה 46159 ב-Transkribus; פורסם ב-13 בנובמבר 2022). אמת-היסוד לפי המפרסמים: בעיקר כתבי-יד של מחזות מסוף המאה ה-19 וראשית ה-20, שנכתבו בניו-יורק ובאירופה, וכן מכתבים שתוקנו בסדנה פתוחה. נבנה בידי צוות פרויקט DYBBUK (ראו כרטיס המודל ו-In geveb, פברואר 2022). MF Smart Research לא פרסמה את המודל הזה.
  • Vaybertaytsh.YidTakNL (מזהה 57147; רוני רשף ומריאם גוטשו, 29 בנובמבר 2023). אומן על תקנות קהילת אמסטרדם במאות ה-18–19 בדפוס ווײַבערטײַטש, לתמיכה במחקר באוניברסיטת ארסמוס. המפרסמים מציינים שהוא מבוסס על מודל קודם שמבוסס על Dybbuk. ראו את כרטיס המודל ואת מאמר הנתונים ב-JOHD. לא מודל של MF-SR.

CER ולידציה שמפורסם על כרטיס מודל נמדד על מאגר הוולידציה של אותו מודל. Transkribus כותבת זאת על הכרטיס. זה לא ציטוט למכתבים שלכם, לפנקס שלכם או לעיתון שלכם.

מה אנחנו עושים: מריצים את המודל הציבורי הרלוונטי על מדגם מהאוסף שלכם, מודדים מול אמת-יסוד קטנה שאתם מאשרים, ורק אז מחליטים אם לעשות fine-tune, להחליף מנוע, או להישאר בתיקון ידני. מתחת לכ-500 עמודים, הכלל ממדריך 2026 עדיין עומד: תיקון ידני בדרך כלל זול יותר מאימון.

מודלים ציבוריים אחרים באותו Hub (למשל DiJeSt לדפוס בכתב עברי) שייכים לאותה קטגוריה: כלים שאפשר להפעיל, לא נכסים שאנחנו תובעים.


במה זה שונה מ-Transkribus

Transkribus היא הפלטפורמה. ליידיש היא לעיתים קרובות המקום הנכון לעבוד, כי המודלים הקהילתיים חיים שם, וכי מי שאינו מהנדס יכול לתקן שורות באותו ממשק שמאמן את המודל הבא.

MF Smart Research לא מחליפה את הפלטפורמה. אנחנו מפעילים אותה: מבנה, דגימה, אימון, סינון לפי ביטחון, וייצוא אל הקטלוג שלכם. כשהעמוד אינו מה ש-Dybbuk או Vaybertaytsh.YidTakNL ראו באימון — יד אחרת, פנקס פגום, יידיש עם חותמות ברוסית — אנחנו אומרים זאת, ועושים fine-tune על העמודים שלכם או מעבירים את השבר הזה לצינור מותאם (Kraken, או ערמת טרנספורמרים). זה ההיבריד שתואר בפלטפורמה מן המדף או צינור מותאם.


מספרים שכבר באתר

ממדריך 2026:

חומר מן המדף אחרי 500 שורות 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%

כדאי לאמן מודל מותאם כש-(א) הדיוק על דגימה מייצגת נמוך מ-90%, (ב) למסמך מאפיינים ייחודיים כמו ערבוב יידיש–עברית או דיו דהוי, או (ג) הפרויקט מעל 500 עמודים.


דברו איתנו

בקשת ייעוץ ראשוני בן 30 דקות, ללא תשלום. שלושה עמודים טיפוסיים מספיקים להתחלה.

[email protected] · טופס יצירת קשר

MF Smart Research נוסדה על ידי מתי פרנקלזון, חוקר, ארכיונאי ודוקטורנט בהיסטוריה.

טיפול ארוך יותר באותו חומר: OCR לכתב-יד ביידיש ב-2026.