多模态大模型都有这个能力，例如gpt4o，claude3.5，gemini 1.5等。
还有这个项目gptpdf：python编写，直接调用大模型，连pdf里的数学公式都能弄成markdown，不过需要gpt4o的apikey，否则没用。
https://github.com/CosmosShadow/gptpdf
没大模型就用这个OmniParse ，OmniParse 是一个在本地运行的平台，用于将不同格式的未结构化数据转换为结构化数据，以便更好地与生成人工智能（GenAI）框架兼容。它支持多种文件类型，包括文档、图片、视频、音频和网页，并提供了一系列 API 端点来处理这些数据。OmniParse 能够进行表格提取、图像处理、视频音频转录以及网页抓取。该平台可以通过 Docker 和 Skypilot 轻松部署，并且支持 Colab 环境。用户可以通过 pip 或 Docker 安装 OmniParse，并且需要在 Linux 系统上运行。OmniParse 使用了一些开源模型，如 Surya OCR、Florence-2 和 Whisper Small，
https://github.com/adithya-s-k/omniparse
网友回复
我知道答案，我要回答
私活外包
最新提问
python如何调用openai的api实现知识讲解类动画讲解视频的合成？
html如何直接调用openai的api实现海报可视化设计及文本描述生成可编辑海报？
f12前端调试如何找出按钮点击事件触发的那段代码进行调试？
abcjs如何将曲谱播放后导出mid和wav格式音频下载？
python如何将曲子文本生成音乐mp3或wav、mid文件
python中mp3、wav音乐如何转成mid格式？
js在HTML中如何将曲谱生成音乐在线播放并下载本地？
python如何实现在windows上通过键盘来模拟鼠标操作？
python如何给win10电脑增加文件或文件夹右键自定义菜单？
python如何将音乐mp3文件解析获取曲调数据？
