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
js如何流式输出ai的回答并折叠代码块，点击代码块右侧可预览代码？
ai大模型如何将文章转换成可视化一目了然的图片流程图图表？
大模型生成html版本的ui原型图和ppt演示文档的系统提示词怎么写？
rtsp视频直播流如何转换成websocket流在h5页面上观看？
为啥coze会开源工作流agent coze studio？
如何检测网页是通过收藏夹打开的？
python如何实现类似php的http动态脚本请求处理响应代码？
js如何实现类似php的http动态脚本请求处理响应代码？
trae与solo有啥区别不同？
vue如何让ai动态生成问卷调查多步骤表单式收集基础信息自动规划执行任务？
