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
如何编写一个chrome插件实现多线程高速下载大文件?
cdn版本的vue在网页中出现typeerror错误无法找到错误代码位置怎么办?
pywebview能否使用webrtc远程控制共享桌面和摄像头?
pywebview6.0如何让窗体接受拖拽文件获取真实的文件路径?
如何在linux系统中同时能安装运行apk的安卓应用?
python有没有离线验证码识别ocr库?
各家的ai图生视频及文生视频的api价格谁最便宜?
openai、gemini、qwen3-vl、Doubao-Seed-1.6在ui截图视觉定位这款哪家更强更准?
如何在linux上创建一个沙箱隔离的目录让python使用?
pywebview如何使用浏览器自带语音识别与webspeech 的api?