产品库

将PDF转换为可搜索的PDF

GetSearchablePDF是一款在线工具，可以将PDF文档转换为可搜索的PDF。它使用先进的OCR技术，可以在几秒钟内识别文本，并将其转换为可搜索的PDF格式。用户只需将PDF文件拖放到输入文件夹中，即可进行转换。该产品具有最高水平的OCR准确性和安全性，还支持手写文字识别。GetSearchablePDF提供不同的定价计划，用户可以根据自己的需求选择合适的套餐。

智能语音与视觉服务平台

有道智云AI开放平台是网易有道旗下,致力于为开发者、企业和政府机构提供自然语言翻译、文字识别OCR等服务以及行业解决方案的云服务平台。平台拥有业内顶尖的神经网络翻译引擎、OCR识别技术以及语音技术,可以大幅提高用户工作效率,并且价格合理。平台已经服务数万家知名企业,为用户提供了三年优质、可靠、安全的云服务。

一种简单直观的PDF OCR工具，使用gpt-4o-mini进行文档转换。

Zerox OCR是一个基于gpt-4o-mini的PDF文档转换工具，它通过将PDF文件转换为图像，然后利用GPT模型将图像内容转换为Markdown格式，从而实现对文档的高效OCR处理。该工具在价格上具有竞争力，并且能够提供比现有产品更有意义的结果。

轻量级、快速、无广告的文档扫描应用

ScanIt是一款专为iPhone和iPad设计的文档扫描应用，以其轻量级、快速、无广告的特点，为用户提供了一种简单高效的文档数字化解决方案。它拥有智能文档识别、曲面调整和文本提取(OCR)等专业功能，支持多种格式导出，并能安全加密文档，满足不同用户对扫描效率和安全性的需求。

快速、多语言支持的OCR工具包

RapidOCR是一个基于ONNXRuntime、OpenVINO和PaddlePaddle的OCR多语言工具包。它将PaddleOCR模型转换为ONNX格式，支持Python/C++/Java/C#等多平台部署，具有快速、轻量级、智能的特点，并解决了PaddleOCR内存泄露的问题。

开箱即用的文档AI工具箱，针对不良数据优化

Finance Commons和Bad Data Toolbox是一系列针对文档AI研究和应用的模型和工具。它们专注于处理不良数据，包括OCR错误、结构混乱的文本等，以提高AI在文档处理中的鲁棒性。这些工具和模型有助于自动化流程，减少企业在准备内容时的工作量，同时支持下一代多模态文档模型的发展。

快速转换和翻译扫描文档

DocuTranslate 是一款专注于文档转换和翻译的在线服务。它利用先进的光学字符识别（OCR）技术和翻译技术，能够快速将扫描的文档转换为Word格式，并提供准确的翻译。用户可以通过上传文档、选择目标语言并确认使用信用点数，几秒钟内即可收到翻译后的文档，方便进一步编辑。该服务支持26种语言，适用于翻译人员和需要高效文档处理的专业人士。

轻量级OCR模型，推理速度快

OnnxOCR是基于PaddleOCR重构的轻量级OCR模型，它脱离了PaddlePaddle深度学习训练框架，实现了快速的推理速度。该模型支持超过80种语言的推理，并在转换为ONNX模型后，推理速度比使用PaddlePaddle框架快5倍。OnnxOCR独立于深度学习训练框架，可以直接部署，适用于计算能力有限但需要保持准确性的场景，并且可以在ARM和x86架构的计算机上部署。

高质量PDF内容提取的综合工具包

PDF-Extract-Kit是一个专门用于提取PDF文件中高质量内容的工具包。它通过多个组件实现对PDF文档的深度解析，包括版面检测、公式检测、公式识别和光学字符识别（OCR）。该工具包使用先进的模型如LayoutLMv3、YOLOv8、UniMERNet和PaddleOCR，以适应各种类型的PDF文档，并在版面和公式检测方面具有高精度。它还特别针对扫描模糊或带有水印的文档进行了优化，以确保在复杂情况下也能提供准确的提取结果。

Python封装的Doc2X API，增强PDF处理。

pdfdeal是一个Python封装的Doc2X API工具，它提供了本地PDF处理功能，旨在提高PDF在RAG中的召回率。该工具支持多种输出格式，包括文本、Markdown、PDF等，并且可以自定义OCR语言和使用GPU加速。它还支持Doc2X，该服务每日有500页的免费使用额度，特别擅长表格和公式的识别。

分布式长视频生成技术

Video-Infinity 是一种分布式长视频生成技术，能够在5分钟内生成2300帧的视频，速度是先前方法的100倍。该技术基于VideoCrafter2模型，采用了Clip Parallelism和Dual-scope Attention等创新技术，显著提高了视频生成的效率和质量。

提供文档解析功能，将图片或 PDF 文件转换成 Markdown 格式，实现智能转换

OCR 体验是一个文档解析工具，利用 OCR 技术将图片或 PDF 文件转换成 Markdown 格式文件。其主要优点在于高效转换并智能排版，背景信息源于对文档处理的需求。目前免费使用。

AI驱动的高性能Windows PC

Copilot+ PC是微软最新推出的AI驱动的高性能Windows PC，具备强大的新硅芯片，能实现每秒超过40万亿次操作，全天候电池续航，以及访问最先进的AI模型。它能够让用户在PC上执行前所未有的任务，如通过Recall功能快速查找和回忆PC上的内容，使用Cocreator在设备上几乎实时生成和完善AI图像，以及通过Live Captions跨越语言障碍，将40多种语言的音频翻译成英语。

端侧可用的GPT-4V级多模态大模型

MiniCPM-Llama3-V 2.5 是 OpenBMB 项目中最新发布的端侧多模态大模型，具备8B参数量，支持超过30种语言的多模态交互，并在多模态综合性能上超越了多个商用闭源模型。该模型通过模型量化、CPU、NPU、编译优化等技术实现了高效的终端设备部署，具有优秀的OCR能力、可信行为以及多语言支持等特点。

Gemini Recognize和注释代码截图的OCR工具

Pic2Code是由Gemini Recognize提供支持的代码截图OCR工具。它可以识别和注释从视频或文章中粘贴的代码截图。通过使用Pic2Code，用户可以省去手动敲代码的步骤，提高工作效率。

用我们的OCR词典和其他语言学习工具，轻松学习日语

Gengo是一款集成OCR词典和工具的漫画和轻小说阅读器，专为有效学习日语而设计。该项目在AJATT和其他沉浸式语言学习方法以及缺乏坚实跨平台替代品的“Kaku”安卓应用的启发下诞生。

基于Java的全能视觉智能识别项目

JavaVision是一个基于Java开发的全能视觉智能识别项目，它不仅实现了PaddleOCR-V4、YoloV8物体识别、人脸识别、以图搜图等核心功能，还可以轻松扩展到其他领域，如语音识别、动物识别、安防检查等。项目特点包括使用SpringBoot框架、多功能性、高性能、可靠稳定、易于集成和灵活可拓展。JavaVision旨在为Java开发者提供一个全面的视觉智能识别解决方案，让他们能够以熟悉且喜爱的编程语言构建出先进、可靠且易于集成的AI应用。

NoteButler是一个可以在Notion中使PDF文档具有搜索功能的工具。

NoteButler通过自动将PDF转换为文本，并在同一页添加AI摘要，使得在Notion中的PDF文档具有搜索功能。它能够提供OCR功能，并添加AI摘要，让那些通常无法在Notion中搜索的内容变得可搜索和可访问。

手写识别AI助手

Pen2txt是一款利用OCR和人工智能进行手写文本识别的产品。它可以将手写笔记转换为可编辑、可搜索的数字文本，适用于学生、专业人士以及任何需要将纸质文件转换为数字形式的人群。Pen2txt凭借准确、可搜索和可编辑的结果，提高了工作效率。

文档理解的模块化多模态大语言模型

mPLUG-DocOwl 是一款用于文档理解的模块化多模态大语言模型，能够处理 OCR-free 文档理解任务。该模型具有出色的性能表现，支持文档视觉问答、信息问答、图表问答等多种任务。用户可以通过模型提供的在线演示来体验其强大功能。

媲美人类护士的医疗护理保健模型

Polaris是由Hippocratic AI 开发的一款高度专注于安全、用于医疗保健的大语言模型（LLM）系统，通过星座架构和专业支持代理组合，能够执行多项医疗相关的复杂任务。产品定位于提供与患者长时间、多轮次的语音对话，并提供专业准确的医疗建议。价格方面，按小时计费，每小时9美元。主要功能包括实时多轮语音对话、医疗信息提供和解释、隐私与合规性检查、药物管理和咨询、实验室与生命体征分析、营养建议、病历和政策查询、患者关系建设等。

支持同时理解和生成图像的多模态大型语言模型

Mini-Gemini是一个多模态视觉语言模型,支持从2B到34B的系列密集和MoE大型语言模型,同时具备图像理解、推理和生成能力。它基于LLaVA构建,利用双视觉编码器提供低分辨率视觉嵌入和高分辨率候选区域,采用补丁信息挖掘在高分辨率区域和低分辨率视觉查询之间进行补丁级挖掘,将文本与图像融合用于理解和生成任务。支持包括COCO、GQA、OCR-VQA、VisualGenome等多个视觉理解基准测试。

使你的图像具有可搜索性

Searchable是一款让图像具有可搜索性的工具。它的主要功能是通过OCR技术从图像中提取文本信息,并建立索引,使用户可以根据图像内容进行文本搜索和语义搜索。该产品的优势在于支持多种语言OCR、可自定义搜索范围等。它面向设计师、开发者等有图像搜索需求的用户群体,提供免费试用和付费服务。

一键翻译各类图片内文字

该项目可以将漫画/图片中的文字进行翻译,主要功能包括文本检测、光学字符识别(OCR)、机器翻译和图像修补。它支持多种语言如日语、中文、英语和韩语等,可实现近乎完美的翻译效果。该项目主要面向漫画爱好者和图像处理工作者,可以方便地阅读外语漫画或进行图像的多语言处理。此外,它还提供Web服务、在线演示和命令行工具等多种使用方式,具有良好的可用性。该项目代码开源,欢迎大家一起完善和贡献。

将图像转换为文本

Imagen A Texto是一个在线工具，可以将图像转换为可编辑的文本。它使用先进的OCR技术，确保准确提取图像中的文本。用户只需上传图像，工具会自动识别并提取文本。适用于转换文件、书籍、引用等。它支持多种图像格式，界面简单易用。

为漫画自动生成文本记录：检测漫画角色、文本块和面板，对面板进行排序，聚类角色，匹配文本与其说话者，并执行光学字符识别（OCR）

magi是一个用于自动为漫画生成文本记录的模型，它能够检测漫画中的角色、文本块和面板，并将它们按照正确的顺序排列。此外，该模型还能够聚类角色，将文本与其对应的说话者匹配，并执行OCR以提取文本。

AI驱动的在线知识社区

Socratic Lab是一个基于AI驱动的在线知识社区，旨在帮助人类、社会群体和社区实现协作学习和知识分享。它可以进行自然对话，私密或群组讨论，并能帮助人们生成优秀的创意！通过连接思想，激发智慧！

生成表单，通过提示或提取和总结文档内容

GPT Google Form Builder是一款帮助用户通过提示生成表单，或者提取和总结文档内容的插件。它还支持OCR扫描来创建表单。用户可以用它来建立各种类型的Google表单，包括调查问卷、测验、考试、任务、反馈、市场营销、数据收集等。该插件支持自动识别和解析问题、选项，可以导入问题、问题与答案和测验到Google表单中。

免费在线OCR和AI图像转文字

GrabText是一款免费在线OCR工具，可以将手写笔记、数学公式和打印文字转换为可编辑的数字内容。支持从图片、纸张、收据、PPT和书籍中转录。可将手写的想法精确转换为Latex公式。