产品库

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。

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。

让自然语言处理和机器学习解决方案更易于访问和经济实惠，以实现更好、更智能的决策。

UBIAI 文本标注工具是一个强大的数据标注平台，可以轻松进行数据标注、训练和模型部署。通过我们的光学字符识别（OCR）技术，您可以准确地从图像中提取文本。UBIAI 的自动化标注使得标注变得简单，通过学习您的输入，逐渐减少您的工作量，同时保持高质量的标注。您可以在一个文档中以多种语言进行标注，包括希伯来语、日语、阿拉伯语、印地语等。无论您需要分析医疗记录还是金融文件，UBIAI 都可以帮助简化您的数据标注和训练流程。

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。

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。

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。

快速将图片中的文字转换为可编辑文本

2txt是一个在线OCR工具，能够将图片中的文字内容快速识别并转换成可编辑的文本格式。它支持多种语言的识别，并且操作简单，用户只需上传图片即可获得结果。该工具不存储用户上传的图片，保证了用户数据的隐私安全。

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。

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。

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。

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。

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。

多模态视觉语言模型

MouSi是一种多模态视觉语言模型，旨在解决当前大型视觉语言模型（VLMs）面临的挑战。它采用集成专家技术，将个体视觉编码器的能力进行协同，包括图像文本匹配、OCR、图像分割等。该模型引入融合网络来统一处理来自不同视觉专家的输出，并在图像编码器和预训练LLMs之间弥合差距。此外，MouSi还探索了不同的位置编码方案，以有效解决位置编码浪费和长度限制的问题。实验结果表明，具有多个专家的VLMs表现出比孤立的视觉编码器更出色的性能，并随着整合更多专家而获得显著的性能提升。

Surya是一个用于任何语言中准确的逐行文本检测和识别（OCR）的项目。

Surya是一个多语言文档OCR工具包，具有准确的逐行文本检测功能。它在一系列文档和语言上都有效（参见使用和基准测试以获取更多细节）。Surya的命名源自印度太阳神，象征着具有普遍视野。Surya通过Python 3.9+和PyTorch实现，支持多种语言的高效OCR处理，包括图像动画和个性化T2I模型。Surya的特点是其高效性和多语言支持能力。

将手写或数字的待办事项同步，利用人工智能的魔力

Papper是一款创新的iOS应用，旨在使您的生活有序和高效。它允许您将手写的笔记转换为数字待办事项列表，创建并打印自己的清单，直接从这些清单扫描进度，并提供广泛的预制清单。Papper使用先进的OCR（光学字符识别）和GPT技术来扫描您的手写笔记并将其转换为可管理的数字待办事项列表。

告别手动数据输入

GPTOCR是一款自动化文档处理工具，通过几次点击，将您的文档转换为结构化的JSON文件，节省时间，减少错误，提高工作效率，增强团队协作。定价根据使用情况而定，定位于提高工作效率和数据准确性的生产力工具。

标签平台，高质量训练数据

Kili Technology是一个标签平台，帮助企业将非结构化数据转化为高质量数据集，用于训练AI模型，实现成功的项目。该平台具有快速标注、发现和修复错误、简化数据操作等功能，并提供专家标注服务。Kili Technology支持文本、图像、视频、OCR和地理空间等多种类型的数据标注。

一款简洁、高效、高颜值的输入、截图、划词翻译软件

TTime是一款简洁、高效、高颜值的输入、截图、划词翻译软件。它提供了输入翻译、截图翻译、划词翻译等功能。用户可以通过快捷键调出翻译窗口，自行输入翻译；也可以通过快捷键调出截图，软件会自动识别并翻译图片；还可以对光标已选中的文字进行划词翻译。TTime支持离线词典、隐藏翻译窗口输入框、翻译结果复制驼峰、下划线等功能。它还提供了多种OCR源、自动翻译模式、翻译记录功能等。TTime适用于Windows和Mac系统。

你的AI评分系统

Vexis是一款采用人工智能技术的评分系统，为教育工作者革命性改进评分流程。它简化了评分过程，节省了时间，让教师更专注于教学。Vexis提供个性化反馈、客观评分、详细报告和专业技术等功能，为学生提供了提升的机会。Vexis支持OCR技术，能够将扫描的答题卡转换为数字数据。它还能识别自由书写，理解上下文，而不仅仅匹配关键词。Vexis以提高教师的教学效率为目标，让他们有更多时间进行教学策划和课程开发。现在就免费试用吧！

市场上最准确和安全的AI聊天

Sharly是市场上最准确和安全的AI聊天产品。它可以与您的内容进行对话，并被专业人士广泛使用。它支持超过50种类型的内容，具有跨文档分析、自动OCR和与Google Drive集成等功能。Sharly由GPT-4提供支持，具有增强的AI和最高准确性。它还可以从来源中提取引用，并在PRO版本上提供GPT-4。Sharly还提供协作知识库，可以与团队或客户共享，并集成到您的工作流程中。它提供可靠和安全的基础设施，保护您的数据安全。使用Sharly，您可以节省大量时间，并获得未来的文档交互体验。

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。

开放平台

灵云开放平台免费为开发者提供语音合成(TTS)、语音识别(ASR)、手写识别(HWR)、光学字符识别(OCR)、语义理解(NLU)、机器翻译(MT)等全方位智能人机交互能力,通过语音、视觉等感知能力,赋能移动应用、智能硬件等领域,实现人机交互的自然、智能化。

LightPDF - AI文档编辑和转换PDF

LightPDF是一个功能强大的AI文档工具，提供24种免费在线工具，包括转换、OCR、编辑PDF等功能。它还拥有智能聊天机器人，能够与PDF进行交流。LightPDF可以帮助用户提取并转换图像和扫描件中的文本，转换为可编辑的格式。它还支持云端PDF编辑、阅读和存储。LightPDF能够提高工作和学习的效率，是必备的全能PDF工具。

自动化数据提取

Airparser是一款基于GPT技术的自动化数据提取工具，可以从电子邮件、PDF和文档中提取结构化数据，并实时导出到任何应用程序。它具有OCR引擎，可以轻松从扫描的文档、图像和手写笔记中提取数据。用户可以通过API或自动化平台导入文档，然后使用Airparser的AI和GPT技术进行高效的数据提取。Airparser可以将解析的数据发送到Webhooks，并支持Excel、CSV或JSON格式的导出，可以与Zapier和Make等6000多个应用程序进行无缝集成。