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
python如何实现torrent的服务端进行文件分发p2p下载?
如何在浏览器中录制摄像头和麦克风数据为mp4视频保存下载本地?
go如何编写一个类似docker的linux的虚拟容器?
python如何写一个bittorrent的种子下载客户端?
ai能通过看一个网页的交互过程视频自主模仿复制网页编写代码吗?
ai先写功能代码通过chrome mcp来进行测试功能最后ai美化页面这个流程能行吗?
vue在手机端上下拖拽元素的时候如何禁止父元素及body的滚动导致无法拖拽完成?
使用tailwindcss如何去掉响应式自适应?
有没有直接在浏览器中运行的离线linux系统?
nginx如何保留post或get数据进行url重定向?