Optische Zeichenerkennung
Optische Zeichenerkennung (OCR) ist Software, die Text aus Bildern wie gescannten Seiten, Fotos oder Screenshots liest und in maschinenlesbare Zeichen verwandelt, die sich durchsuchen, kopieren oder an ein Modell übergeben lassen.
Auch: OCR
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Ein gescannter Vertrag ist ein Bild, kein Text. Bis OCR läuft, sieht ein Suchindex oder Sprachmodell darin nichts. OCR ist deshalb der erste Schritt des Document Parsing für jedes gescannte oder fotografierte Material.
So funktioniert es
Klassische Engines finden Textzeilen auf der Seite und erkennen dann die Zeichen in jeder Zeile. Tesseract ist das langjährige Open-Source-Beispiel: Version 4 brachte eine Engine mit neuronalem Netz (LSTM), die auf ganze Zeilen ausgerichtet ist, und es unterstützt mehr als 100 Sprachen. Moderne OCR-Modelle gehen weiter und lesen ein ganzes Seitenbild mit einem Transformer oder einem Vision-Language-Modell. Sie erzeugen Markdown mit Überschriften und Tabellen statt bloßer Zeilen.
Beispiel
Ein Team, das alte Papierrechnungen indexiert, lässt OCR laufen, um den Text zu bekommen, nutzt Layout-Analyse, um die Positionen in der richtigen Reihenfolge zu halten, und teilt das Ergebnis erst dann für das Retrieval auf. Reviews von OCR-Modellen wie Mistral OCR 4 und Surya OCR 2.5 behandeln die Abwägung zwischen Geschwindigkeit und Genauigkeit.
Grenzen
Die Genauigkeit sinkt bei Scans mit niedriger Auflösung, Handschrift, ungewöhnlichen Schriftarten und gemischten Schriftsystemen. Klassische Engines liefern Text ohne Struktur, sodass Tabellen als durcheinandergewürfelte Zeilen herauskommen. Modellbasiertes OCR kommt mit Struktur besser zurecht, kann aber flüssigen Text erzeugen, der nicht auf der Seite steht. Vergleiche daher stichprobenartig mit dem Bild. Für PDFs, die schon eine Textebene enthalten, ist OCR nicht nötig.
Verwandte Begriffe
- Document Parsing
- Document Parsing (Dokumentenanalyse) wandelt Dateien wie PDFs, Scans, Folien und Tabellen in strukturierten Text um, den Software nutzen kann, und erhält dabei Überschriften, Lesereihenfolge, Tabellen und Bilder statt eines flachen Zeichenstroms.
- Vision-Language-Modell
- Ein Vision-Language-Modell (VLM, Bild-Sprach-Modell) ist ein Modell, das Bilder und Text als Eingabe nimmt und Text erzeugt. Es kann also Bilder beschreiben, Fragen zu ihnen beantworten, Dokumente lesen und Daten aus Screenshots extrahieren.
- Layoutanalyse
- Layoutanalyse (Layout Analysis) ist der Teil des Document Parsing, der die Bereiche einer Seite findet, etwa Titel, Absätze, Tabellen, Abbildungen, Bildunterschriften und Fußzeilen, jeden davon benennt und die Reihenfolge ermittelt, in der ein Mensch sie lesen würde.
- Tabellenextraktion
- Tabellenextraktion ist die Aufgabe, Tabellen in Dokumenten zu finden und ihre Zeilen, Spalten, Kopfzeilen und Zellen als strukturierte Daten wie HTML, Markdown oder CSV nachzubauen, statt als lose Textzeilen.
- Multimodales Modell
- Ein multimodales Modell ist ein KI-Modell, das mehr als eine Art von Daten aufnehmen und manchmal auch erzeugen kann, etwa Text, Bilder, Audio oder Video, und zwar in einem einzigen Modell statt über getrennte Systeme.