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
有没有免费让ai自动帮你接管操作电脑的mcp服务？
mcp为啥用Streamable HTTP 替代 HTTP + SSE？
scratchjr有没有开源的前端html网页版本源代码？
多模态大模型能否根据ui交互视频来来模仿写出前端交互动画效果ui代码？
如何用阿里云oss+函数计算fc+事件总线EventBridge+消息队列+数据库+redis缓存打造一个高并发弹性系统？
阿里云函数计算 FC如何在海外节点搭建一个代理网络？
ai studio中gemini build的代码如何发布到github pages等免费网页托管上 ？
如何在cursor、qoder、trae中使用Claude Skills功能？
有没有不用u盘就能重装系统的开源工具？
python如何固定摄像头实时计算停车场停车位剩余数量？
