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
如何破解绕开seedance2.0真人照片生成视频 限制？
python有哪些算法可以将视频中的每个帧图片去除指定区域水印合成新的视频？
iphone的激光雷达数据能否实时传输到three三维空间中？
豆包sora等ai视频生成大模型生成的视频水印如何去除？
python如何实现在电脑上拨号打电话给手机？
具身机器人与人形机器人区别？
nodejs如何将一个完整的js代码文件切割成不同的部分混淆后动态加载进入html运行？
为啥windows.onerror捕获js错误是这样的{"message":"Script error.","source":"","lineno":0,"colno":0,"stack":null,
2026年ai将全面接管编程？
WebMCP是干啥的？
