Urkundenentzifferung: Transkribus oder manuelle Methode?

Eine KI-gestützte Texterkennung wie Transkribus liefert für dieselbe Seite in Sekunden einen Vorschlag. Dieser Vorschlag ist nicht die fertige Transkription, aber er ist der Ausgangspunkt für eine Frage, die inzwischen jeden Archivtag mitbestimmt: Wie viel Handarbeit verträgt die digitale Beschleunigung, und wo verdirbt sie das philologische Ergebnis?

Im Weserbergland, wo mittelniederdeutsche Urkunden, Kirchenbücher in Kurrentschrift und vereinzelt spätmittelalterliche Pergamente nebeneinander in den Regalen stehen, ist das keine theoretische Überlegung mehr. Die Werkzeuge sind da, die Schnittstellen wachsen, die Archive öffnen sich Stück für Stück für automatisierte Verfahren. Was das für die tägliche Arbeit am Lesetisch bedeutet – und warum das menschliche Auge trotz aller Geschwindigkeit das letzte Wort behält –, lässt sich am besten Schritt für Schritt durchgehen.

Von der Leselupe zum neuronalen Netz

Paläografie war über Jahrhunderte ein reines Handwerk. Wer eine mittelalterliche Urkunde lesen wollte, lernte die Schriften der jeweiligen Epoche – karolingische Minuskel, gotische Textura, später die humanistische Kursive – und übte sich an Vergleichsstücken aus der jeweiligen Region. Lokale Schreibgewohnheiten, individuelle Hände, die Qualität der Tinte, Beschädigungen des Papiers: All das musste das Auge zu einem Text zusammensetzen. Die Arbeit war langsam, aber sie war gründlich. Sie brachte Editorinnen und Editoren hervor, die ihre Quellen kannten wie andere ihr Heimatdorf.

Die ersten Versuche, Schrifterkennung zu automatisieren, begannen in den 1990er-Jahren mit klassischer Mustererkennung. Sie scheiterten an der schieren Variabilität historischer Schriften. Erst tief lernende neuronale Netze, spezialisiert auf Handschrift (Handwritten Text Recognition, HTR), brachten den Durchbruch. Transkribus, hervorgegangen aus dem europäischen Projekt tranScriptorium und heute getragen von der Genossenschaft READ-COOP mit Sitz in Innsbruck, hat diese Technologie für die Geisteswissenschaften operationalisiert. Mehr als 500.000 Nutzerinnen und Nutzer arbeiten weltweit damit, darunter zahlreiche deutsche Archive und Editionsprojekte. Die Genossenschaft ist DSGVO-konform, was für Archive mit personenbezogenen Beständen ein entscheidender Punkt ist.

Was sich verändert hat, ist nicht die philologische Frage, sondern die Geschwindigkeit, mit der eine vorläufige Antwort zur Verfügung steht.

Was die Zahlen verraten: Zeit, Fehler und die Character Error Rate

Der auffälligste Unterschied zwischen Handarbeit und automatisierter Erkennung liegt in der Zeit. Eine geübte Leserin braucht für eine dicht beschriebene Seite aus einem Kirchenbuch des 18. Jahrhunderts zwischen 15 und 60 Minuten, gelegentlich auch länger, wenn die Hand besonders eigenwillig ist oder das Papier stark nachgedunkelt ist. Transkribus erledigt dieselbe Aufgabe in Sekunden – die reine Rechenzeit im Hintergrund, wohlgemerkt, nicht die Einarbeitung in das Werkzeug.

Doch Geschwindigkeit ist nur die eine Seite der Medaille. Die andere ist die Fehlerquote, in der Fachsprache als Character Error Rate (CER) bezeichnet. Die CER misst, wie viele Zeichen der automatischen Transkription von einer händisch verifizierten Referenz, der sogenannten Ground Truth, abweichen. Ein Wert unter zehn Prozent gilt als effizient, weil sich die manuelle Nacharbeit in vertretbarem Rahmen hält. Werte zwischen zwei und fünf Prozent gelten als sehr gut – also geeignet für wissenschaftliche Editionen, wenn auch nicht für eine ungeprüfte Übernahme.

Die Tabelle zeigt das Spannungsfeld klar: Was die Maschine schnell liefert, muss die Hand am Ende verantworten. Die Fehlerquote ist kein abstrakter Wert, sondern konkret erfahrbar. Wer ein Transkribus-Ergebnis für eine niedersächsische Gerichtsurkunde aus dem 17. Jahrhundert öffnet, stößt in der Regel auf eine ganze Reihe fragwürdiger Stellen – einen vertauschten Buchstaben, ein falsch gelesenes Kürzel, einen Eigennamen, der durch ein lautähnliches Wort ersetzt wurde. Kaum eine Seite bleibt ohne solche Stolperstellen. Gemessen an der Komplexität der Aufgabe ist das wenig. Für eine kritische Edition, die in den Regalen der Universitätsbibliothek stehen soll, ist es nicht wenig genug.

Kein Modell liest eine Urkunde, ohne dass ein Mensch sie zuvor gelesen hat.

Ground Truth – das Fundament, auf dem jedes Modell steht

Wer mit Transkribus ein eigenes Texterkennungsmodell für einen bestimmten Bestand trainieren möchte – etwa für die Kirchenbücher eines Kirchenkreises im Weserbergland –, kommt an der Ground Truth nicht vorbei. Ground Truth bezeichnet die manuell erstellte Referenztranskription, mit der das System lernt. Mindestens 25 sorgfältig transkribierte Seiten verlangt die Plattform, bevor sie überhaupt ein neues Modell anbietet; für belastbare Ergebnisse empfehlen die Entwicklerinnen eher 50 bis 100 Seiten.

Das hat eine bemerkenswerte Konsequenz: Bevor die Maschine ihre Stärke ausspielen kann, hat der Mensch bereits die meiste Arbeit getan. Das Training selbst ist investive Arbeit – es kostet Wochen, in denen Paläografinnen Seite für Seite durchgehen, Zeichen für Zeichen festlegen, Unsicherheiten dokumentieren. Aber diese Investition trägt. Ein gut trainiertes Modell, das die Eigenheiten einer bestimmten Hand, einer Epoche, einer Region kennt, kann im Anschluss Tausende weiterer Seiten in einem Bruchteil der Zeit liefern – jeder Output freilich mit einer Restfehlerquote, die ohne anschließende manuelle Prüfung nicht in eine wissenschaftliche Edition wandern darf. Wer im Solling einmal die Hand eines bestimmten Schreibstuhls kennt, erkennt sie auch in abgelegenen Akten wieder, und genau dieses Wiedererkennen macht die Stärke eines lokal trainierten Modells aus. Geschwindigkeit ersetzt die Handarbeit nicht; sie verlagert sie an den Anfang und ans Ende jedes Transkriptionsvorgangs.

Für Archive und Forschungsinitiativen im Weserbergland, deren Bestände oft durch eine regional geprägte Schreibtradition zusammengehalten werden, eröffnet das eine realistische Perspektive. Ein Kirchenbuch nach dem anderen, ein Urkundenbestand nach dem anderen lässt sich so im Verlauf mehrerer Monate in ein suchbares Volltextformat überführen – vorausgesetzt, jemand legt am Anfang Hand an und übernimmt am Ende jedes einzelnen Durchgangs die Kontrolle.

Die Integration in den Lesesaal: Archion und andere Beispiele

Im April 2026 hat das Kirchenbuchportal Archion, das seit Jahren digitale Reproduktionen evangelischer und katholischer Kirchenbücher bereitstellt, die Transkribus-API direkt in seinen Dokumentbetrachter eingebaut. Nutzerinnen können seither auf jeder Seite per Knopfdruck eine On-Demand-Transkription anfordern, die innerhalb weniger Sekunden als Text unter dem Faksimile erscheint. Das ist ein erheblicher Schritt in Richtung Alltagstauglichkeit, weil er die Hürde senkt, sich überhaupt erst mit einer externen Software auseinanderzusetzen.

Auch Landesarchive und Stadtarchive gehen schrittweise ähnliche Wege. Noch ist eine flächendeckende Integration solcher Verfahren in vielen Behörden nicht umgesetzt, und die Geschwindigkeit, mit der sie vorankommt, variiert von Haus zu Haus. Wer in Wolfenbüttel, Hannover oder im Stadtarchiv Höxter arbeitet, wird jedoch feststellen, dass sich der Arbeitsablauf gerade neu sortiert: Digitalisate werden nicht mehr nur als Bild gespeichert, sondern zunehmend mit durchsuchbarem Text hinterlegt. Eine Recherche, die früher eine wochenlange Archivreise erforderte, lässt sich heute oft mit einer Stunde am Bildschirm erledigen – die Reise ins Archiv wird zur gezielten Überprüfung, nicht zur Suche im Nebel.

Doch die Integration hat einen Pferdefuß. Die vortrainierten Modelle, die Transkribus für Kurrent (16. bis frühes 20. Jahrhundert), Sütterlin (1915–1941), Fraktur und einige mittelalterliche Schriften mitbringt, sind Generalisten. Sie funktionieren gut bei typischen Handschriften, weniger gut bei regionalen Besonderheiten, kaum bei sehr individuellen Händen, wie sie in kleineren Schreibstuben des Weserberglandes vorkamen. Wer im Solling auf Rechnungsbücher eines Klosters oder auf die Aufzeichnungen einer kleinen Kapellengemeinde stößt, kann sich nicht darauf verlassen, dass das Standardmodell die lokalen Kürzel und Namensformen kennt. Hier entscheidet sich, ob eine halbautomatische Transkription zum Quelltext wird oder zur Quelle neuer Fehler.

Was die Maschine nicht sieht

Hier liegt der Kern der Sache. Ein Algorithmus erkennt Zeichenmuster, keine Bedeutung. Wenn in einer mittelniederdeutschen Urkunde der Name eines Ortes im Solling erscheint, kann das Modell die Buchstaben korrekt wiedergeben und trotzdem den falschen Ort treffen, weil es die lautliche Nähe zu einem anderen, häufiger vorkommenden Ortsnamen nicht gewichtet. Wenn ein Pfarrer im 18. Jahrhundert eine Notiz über die Ernte in einer abgelegenen Kapellengemeinde macht, kann das System das Datum falsch lesen, weil der Schreiber die Ziffern in einer heute ungewohnten Form setzte. Wenn eine Kursive vom Ende des 17. Jahrhunderts ein „u" und ein „n" so nah aneinander schreibt, dass sie wie ein „ü" wirken, übernimmt die Maschine diese Verwechslung ohne Zögern. Ähnliches gilt für die Tilden und Superskript-Zeichen, mit denen mittelniederdeutsche Schreiber Endungen markierten – ein „ē" mit darübergesetzter Schlaufe ist für ein geschultes Auge klar vom bloßen „e" zu unterscheiden, für eine Software nur dann, wenn entsprechende Beispiele im Trainingsdatensatz vorkamen.

Das sind keine theoretischen Szenarien, sondern Erfahrungen aus der laufenden Arbeit. Auch ein gut trainiertes Modell weist eine Restfehlerquote auf, die in wissenschaftlichen Kontexten nicht akzeptabel ist. Die Editionswissenschaft verlangt eine durchgängig nachvollziehbare Textkonstitution; maschinelle Vorschläge bleiben rohes Material, nicht Ergebnis. Ohne nachträgliche manuelle Korrektur entsteht kein philologisch einwandfreier Text – und genau diese Korrektur ist der Punkt, an dem die Paläografie ihren Wert behält.

Die Stunde am Lesetisch bleibt das Maß, an dem jede Automatisierung sich messen lassen muss.

Wer über längere Zeit mit alten Schriften arbeitet, lernt darüber hinaus mehr als nur den Text. Wer eine Seite wiederholt transkribiert, sieht, wie der Schreiber den Buchstaben formt, wo die Tinte stockt, wann er zögert, wann er sicher ist. Solche Beobachtungen sind das Fundament jeder seriösen Quellenkritik. Sie verschwinden, wenn niemand mehr die Vorlage prüft.

Drei Wege in die eigene Praxis

Was also tun, wenn im Lesesaal eine Urkunde liegt, die sich nicht von selbst erschließt? Drei Wege haben sich in der regionalen Arbeit bewährt, und sie schließen einander nicht aus.

1. Eigene paläografische Grundkenntnisse aufbauen. Das Niedersächsische Landesarchiv, die Historische Kommission für Niedersachsen und Bremen sowie verschiedene Volkshochschulen bieten Einführungskurse in mittelalterliche und frühneuzeitliche Schriften an. Drei bis fünf Tage reichen, um die Kurrentschrift in den Grundzügen zu lesen; für mittelniederdeutsche Texte braucht es mehr – vor allem den Umgang mit den typischen Kürzeln, den variierenden Schreibweisen von Eigennamen und der lautlichen Nähe zwischen Niederdeutsch und Latein. Wer einmal die Logik der Kürzungsstriche verstanden hat, liest eine Urkunde mit anderen Augen: Was als unleserlicher Buchstabenknäuel erscheint, löst sich oft in eine standardisierte Verdoppelung oder Tilgung auf, und plötzlich tritt der Textsinn hinter dem scheinbaren Gestrichel hervor.

2. Transkribus gezielt für bekannte Schriften einsetzen. Wer mit Kurrentschrift des 18. Jahrhunderts arbeitet, kann mit dem vortrainierten Modell oft in Sekunden zu einem brauchbaren Text kommen, der dann gezielt korrigiert wird. Die Software läuft im Browser und über Apps für die gängigen Betriebssysteme; monatlich stehen 50 kostenfreie Credits zur Verfügung, was für erste Tests ausreicht. Für wissenschaftliche Vorhaben lohnt sich die Lizenz, sobald das Volumen über wenige Dutzend Seiten hinauswächst – die Lizenzgebühren fallen dann weniger ins Gewicht als die eingesparte Lesezeit, sofern das Korrekturpersonal im Haus bleibt.

3. Ground Truth für die eigenen Bestände aufbauen. Wer längerfristig mit einem regionalen Bestand arbeitet, sollte die Investition in ein eigenes Modell nicht scheuen. Sie verbindet die paläografische Grundarbeit mit der späteren Beschleunigung – und sie schafft ein Asset, das über die einzelne Sitzung hinaus Bestand hat. Mit wachsendem Bestand lernt das Modell die Eigenheiten der regionalen Schreibstuben immer besser; jede weitere Transkription wird präziser, jede Korrektur kürzer. Entscheidend bleibt, dass das Modell nicht stillschweigend übernommen, sondern fortlaufend am konkreten Material geeicht wird.

Was die Arbeit am Ende trägt, ist weder die Maschine allein noch die Hand allein. Es ist das Zusammenspiel: das trainierte Auge, das die Seite kritisch liest, das Werkzeug, das die Routinearbeit abnimmt, und der geduldige Blick, der die Lücke zwischen beiden wahrnimmt.

Schluss

Eine Seite aus einem alten Bestand bleibt eine Seite. Sie verlangsamt, was die Software beschleunigt, und sie belohnt, was die Maschine nicht belohnen kann: das aufmerksame Sehen. Transkribus ist ein mächtiges Werkzeug, das die Archivarbeit im Weserbergland und anderswo bereits spürbar verändert hat. Aber es ist ein Werkzeug im Dienst einer Aufgabe, die älter ist als jede Technik. Wer eine Urkunde entziffern will, muss sie am Ende selbst gelesen haben – in aller Ruhe, mit dem Stift in der Hand und dem Wissen, dass keine noch so schnelle Sekunde der Software das ersetzt, was eine Stunde am Lesetisch an Verständnis schenkt.