Transkribus 完整教學：把手寫古文獻變成可搜尋的文字，每月 50 點免費額度怎麼花

一位在雲林做地方文史的老師，手上有一箱東西。

裡面是七十幾份日治時期的土地台帳影本、三本手抄的宗族譜，還有一疊 1950 年代的農會收據。全部掃描成 PDF 了，放在硬碟裡佔了 3GB。

「可是，」他說，「我要查『第三保 王姓』，還是得一張一張看。」

這就是文獻數位化最大的謊言：掃描完不等於數位化。一個不能搜尋的 PDF，跟一箱紙的差別只在於不會發霉。

Transkribus 要解的就是這一段。

Transkribus 是什麼

Transkribus 是一個專門做**手寫文字辨識（HTR，Handwritten Text Recognition）**的平台。

這跟一般的 OCR 不一樣。印刷體的 OCR 早就是成熟技術，但手寫體完全是另一個難度——字跡因人而異、書寫慣例會隨年代改變、紙張泛黃破損。傳統 OCR 遇到手稿基本上全數投降。

平台由 READ-COOP SCE 營運，這是一個歐洲合作社，擁有 250 位以上的共同所有人。資料處理與儲存都在奧地利的伺服器，符合 GDPR。

官網公布的累積數字相當可觀：辨識超過 2 億頁、300 個以上的社群 AI 模型、支援 100 種以上語言與歷史書體。

它能做什麼

除了辨識文字，平台涵蓋的是從掃描檔到可查詢典藏的整條路：

• 版面偵測（Document Layout Analysis）——自動判斷頁面的欄位、區塊與文字行位置
• 行偵測（Line Detection）——把每一行文字框出來，這是辨識的前置步驟
• 表格辨識——處理帳簿、名冊這類結構化文獻
• 欄位辨識（Field Recognition）——針對表單類文獻抓取指定欄位
• 協作編輯器——多人分工校對
• 詮釋資料標記
• 全文檢索與線上發布
• REST API——供系統整合
• 自訂模型訓練——用少量標註資料訓練專屬模型

最後一項對檔案館最重要：如果你有一批同一位書寫者、同一種書體的文獻，可以訓練一個專屬模型，準確度會遠高於通用模型。

怎麼用：完整步驟

步驟一：註冊並確認免費額度

註冊帳號，Free 方案每月給 50 點，不需要綁信用卡。

先弄清楚點數怎麼算，這會決定你的測試策略。依官方定價頁：

• 手寫文字辨識：每頁 1 點
• 行偵測：每頁 0.25 點
• 表格辨識：每頁 1 點
• 欄位辨識：每頁 1 點

官方並註明：使用表格或欄位辨識時，仍需搭配文字辨識才能得到完整轉寫。也就是說表格頁實際上要 2 點。

換算下來，每月 50 點大約可做 50 頁的手寫辨識。對個人試水溫夠用，正式專案則需要付費方案。

步驟二：建立 Collection

在 Collections 分頁建立一個新的 collection。這是 Transkribus 的基本組織單位，你所有的文件都會歸在某個 collection 底下。

建議的分法是依文獻性質而非時間——同一種書體、同一位書寫者的文獻放在一起，之後訓練專屬模型時會方便很多。

步驟三：上傳影像

點開你要的 collection，在右上角選單點 Upload。可以直接拖放檔案，或瀏覽選取本機檔案，輸入文件標題後按 Submit。

格式限制要注意：接受 JPEG/JPG、PNG 與 TIFF，單張影像最大 20 MB。

掃描品質的建議：300 dpi 以上、盡量平整、避免陰影。前置的掃描品質對辨識結果的影響，往往比選哪個模型還大。

步驟四：跑版面與行偵測

上傳後先做版面分析，讓系統框出文字行的位置。

這一步每頁只要 0.25 點，很便宜，但非常關鍵——如果行沒框對，後面的文字辨識一定是亂的。建議先跑幾頁看結果，確認框線合理再批次處理。

複雜版面（多欄、有插圖、有邊註）常常需要人工調整，編輯器裡可以手動修正行的範圍。

步驟五：挑模型並跑文字辨識

選取要處理的頁面，從模型清單中挑一個適合的文字辨識模型——依語言、年代與書體挑選。

這是整個流程中最需要判斷的一步。300 多個社群模型的說明頁通常會列出訓練資料的來源與時代，挑錯模型的結果會差很多。

實務建議：先用 3 到 5 頁測試不同模型，比較結果再決定要用哪一個跑全部。用 5 點試模型，比用 50 點跑錯模型划算太多。

步驟六：在編輯器裡校對

辨識完成後，在 Transkribus Editor 裡校對。介面會左右對照——左邊是原始影像，右邊是辨識出的文字，點擊某一行會同步定位。

校對的實務技巧：

• 先掃一遍找系統性錯誤（某個字母或字詞固定被認錯），這種一次全部取代最快
• 人名、地名、年代這類關鍵欄位優先校對，敘述性內容可以之後再處理
• 多人分工時，用 collection 的權限設定分配範圍

步驟七：匯出

選取要匯出的文件或頁面，點上方選單的 Action 下拉，選 Export。

主要的匯出選項有兩種：

• PAGE XML——保留影像特徵、版面結構與頁面內容的 XML 格式，每頁一個檔案。要接進自己的典藏系統或做進一步處理，選這個
• 可搜尋的 PDF——文字層疊在原始影像上，適合直接給人閱讀與查找

如果你的目的是「讓這批資料可以被檢索」，PAGE XML 是正解；如果只是要一份能搜尋的檔案給同事看，PDF 就夠。

進階技巧

一、訓練自己的模型。 如果你有一批同一書寫者的文獻，先人工精校幾十頁當訓練資料，再訓練專屬模型。前期投入不小，但後續幾百頁的準確度會明顯提升。官方部落格有完整的訓練指南。

二、用行偵測當備案。 就算文字辨識不準（例如中文文獻），版面與行偵測仍然有用——它能把版面結構抓出來，讓你人工打字時至少不必重建結構。

三、先分群再處理。 把文獻依書體與年代分群，每群測一次模型。混在一起跑會被最難的那一種拖累整批準確度。

四、隨選點數不會過期。 官方標示單買的 250 點（59.5 歐元）永不過期，適合專案性質、用量不固定的使用者，不必被年度訂閱綁住。

注意事項

中文文獻是最大的限制。 這件事要講清楚：HTR 技術本身不限語言，但 Transkribus 的社群模型幾乎都是歐洲語系與拉丁、哥德書體。中文與日文的公開模型非常有限。台灣的族譜、地契、日治文書要用，實務上得自己標註資料訓練專屬模型。

校對是必要流程，不是選配。 HTR 的產出是草稿。字跡潦草、墨跡暈開、紙張破損的地方一定會出錯。合理的期待是「省下八成的打字時間」。

成本要先試算。 機構級的整批數位化一定要先算清楚。1,000 頁的手寫辨識加行偵測約需 1,250 點，這個量級已經超過 Scholar 方案的年度額度。

資料在奧地利。 資料處理與儲存在奧地利伺服器並符合 GDPR，這對歐洲機構是加分。台灣的公部門典藏若有資料落地要求，導入前需確認法規可行性。

TheAI學院 評語

我拿家裡一批日文書信試跑過。結論很誠實：歐洲語系的模型完全派不上用場。

最後我用的是它的版面與行偵測——把每一行的位置框出來，文字還是自己打。但即使如此，那個結構化的輸出仍然幫我省下不少重建版面的工。

這個經驗讓我對這個工具的評價變得更精準。

評語：Transkribus 是手寫文獻辨識目前最成熟的平台，但它的成熟度建立在歐洲語料上。對台灣讀者，它現階段真正的價值不是「馬上能辨識我的族譜」，而是它證明了一件事——只要有人願意投入標註，手寫古文獻的全文檢索技術上完全成立。台灣缺的不是技術，是有人開始做。

給台灣讀者的具體建議：

如果你是個人研究者或家譜愛好者：免費層 50 點足以試水溫。先用來測試「版面偵測對你的文獻有沒有用」，這一步只要 0.25 點一頁，很划算。

如果你在檔案館、圖書館或地方文史單位：先做一件不花錢的事——把文獻依書體與年代分群，並精校幾十頁當基準。這份標註資料無論將來用哪個平台都有價值，而且只有你做得出來。

如果你是開發者或研究團隊：台灣手寫文獻的 HTR 模型是一個既有社會意義、又有明確技術門檻的題目。公視的手語新聞、國史館的檔案、各地的族譜——素材是有的。

想了解同類的機構級方案，可以看 Teklia（羅浮宮與美國國會圖書館都在用）與 Archipanion 的典藏搜尋路線；想先搞懂 AI 工具怎麼挑，可以看 怎麼挑 AI 工具。

資料來源

• Transkribus 官方定價頁
• Transkribus 官方說明文件：Beginner's Guide to Transkribus
• Transkribus 官方說明文件：Automatically transcribing your documents

本文依公開資訊整理，點數計價與功能以 Transkribus 官方公告為準。