产品库

文档智能的视觉引导生成文本布局预训练模型

ViTLP是一个视觉引导的生成文本布局预训练模型，旨在提高文档智能处理的效率和准确性。该模型结合了OCR文本定位和识别功能，能够在文档图像上进行快速准确的文本检测和识别。ViTLP模型的预训练版本ViTLP-medium（380M参数）在计算资源和预训练数据集规模的限制下，提供了一个平衡的解决方案，既保证了模型的性能，又优化了推理速度和内存使用。ViTLP的推理速度在Nvidia 4090上处理一页文档图像通常在5到10秒内，与大多数OCR引擎相比具有竞争力。

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。

Mistral OCR 是一款强大的文档理解 OCR 产品，能够以极高的准确性从 PDF 和图像中提取文本、图像、表格和方程式。

Mistral OCR 是由 Mistral AI 开发的先进光学字符识别 API，旨在以无与伦比的准确性提取和结构化文档内容。它能够处理包含文本、图像、表格和方程式的复杂文档，输出 Markdown 格式的结果，便于与 AI 系统和检索增强生成（RAG）系统集成。其高精度、高速度和多模态处理能力使其在大规模文档处理场景中表现出色，尤其适用于科研、法律、客服和历史文献保护等领域。Mistral OCR 的定价为每美元 1000 页标准使用量，批量处理可达每美元 2000 页，还提供企业自托管选项，满足特定隐私需求。

Aya Vision 32B 是一个支持多语言的视觉语言模型，适用于OCR、图像描述、视觉推理等多种用途。

Aya Vision 32B 是由 Cohere For AI 开发的先进视觉语言模型，拥有 320 亿参数，支持 23 种语言，包括英语、中文、阿拉伯语等。该模型结合了最新的多语言语言模型 Aya Expanse 32B 和 SigLIP2 视觉编码器，通过多模态适配器实现视觉与语言理解的结合。它在视觉语言领域表现出色，能够处理复杂的图像与文本任务，如 OCR、图像描述、视觉推理等。该模型的发布旨在推动多模态研究的普及，其开源权重为全球研究人员提供了强大的工具。该模型遵循 CC-BY-NC 许可证，并需遵守 Cohere For AI 的合理使用政策。

8亿参数的多语言视觉语言模型，支持OCR、图像描述、视觉推理等功能

CohereForAI的Aya Vision 8B是一个8亿参数的多语言视觉语言模型，专为多种视觉语言任务优化，支持OCR、图像描述、视觉推理、总结、问答等功能。该模型基于C4AI Command R7B语言模型，结合SigLIP2视觉编码器，支持23种语言，具有16K上下文长度。其主要优点包括多语言支持、强大的视觉理解能力以及广泛的适用场景。该模型以开源权重形式发布，旨在推动全球研究社区的发展。根据CC-BY-NC许可协议，用户需遵守C4AI的可接受使用政策。

FreeParser 是一款由 AI 驱动的免费文档解析工具，支持多种文件格式。

FreeParser 是一款基于 AI 技术的文档解析工具，旨在通过先进的 OCR 和 LLM 技术帮助用户快速提取文档中的关键信息。它支持多种文件格式，包括 PDF、DOCX、图片等，并提供灵活的自定义提取功能。该产品以简单易用的界面和高性价比的价格定位，满足企业和个人对文档处理的需求。

一个支持从PDF、图像、办公文档等多种格式中提取文本的Python库。

Kreuzberg是一个现代Python库，专注于从各种文档中提取文本。它通过简洁的API和本地处理能力，为用户提供高效的文本提取解决方案。该库支持多种文件格式，包括PDF、图像、办公文档等，无需复杂的配置或外部API调用。它采用异步接口设计，提高了处理效率，同时保持了轻量级的资源占用。Kreuzberg适用于需要本地化文本提取的场景，如RAG应用等，其主要优点是简单易用、资源高效且功能强大。

一个强大的OCR包，使用最先进的视觉语言模型提取图像中的文本。

ollama-ocr是一个基于ollama的光学字符识别（OCR）模型，能够从图像中提取文本。它利用先进的视觉语言模型，如LLaVA、Llama 3.2 Vision和MiniCPM-V 2.6，提供高精度的文本识别。该模型对于需要从图片中获取文本信息的场景非常有用，如文档扫描、图像内容分析等。它开源免费，易于集成到各种项目中。

一种用于检测机器修订文本的先进方法，通过模仿机器风格来提高检测准确性。

Imitate Before Detect 是一种创新的文本检测技术，旨在提高对机器修订文本的检测能力。该技术通过模仿大型语言模型（LLM）的风格偏好，能够更准确地识别出经过机器修订的文本。其核心优势在于能够有效区分机器生成和人类写作的细微差别，从而在文本检测领域具有重要的应用价值。该技术的背景信息显示，它能够显著提高检测的准确性，并且在处理开源LLM修订文本时，AUC值提升了13%，在检测GPT-3.5和GPT-4o修订文本时分别提升了5%和19%。其定位是为研究人员和开发者提供一种高效的文本检测工具。

智能文档处理框架，专为LLMs设计

ExtractThinker是一个灵活的文档智能框架，帮助用户从各种文档中提取和分类结构化数据，类似于文档处理工作流的ORM。它被称为“LLMs的文档智能”或“智能文档处理的LangChain”。该框架的动机是为文档处理创建所需的特定功能，如分割大型文档和高级分类。

即用即走的翻译、OCR工具

STranslate是一款集成了翻译和OCR功能的在线工具，它支持多种语言翻译，包括输入、划词、截图等多种翻译方式，并能同时显示多个服务的翻译结果，方便用户比较。OCR功能支持中英日韩等多种语言，基于PaddleOCR技术，提供快速准确的识别效果。此外，STranslate还支持多家翻译服务接入，并提供免费API。产品背景信息显示，STranslate由ZGGSONG开发，旨在为用户提供便捷、高效的翻译和OCR服务。

AI驱动的图像文字识别服务

EdgeOne Pages Functions：AI OCR是一款基于人工智能技术的图像文字识别服务，它能够将图片中的文字内容转换为可编辑的文本格式。这项技术的重要性在于它极大地提高了文字录入的效率，减少了人工输入的错误率，并且能够处理多种语言的文字识别。产品背景信息显示，EdgeOne提供了一个免费的部署平台，拥有即时全球CDN覆盖，这使得AI OCR服务可以快速、稳定地服务于全球用户。价格方面，用户可以免费部署体验，具体定价策略未在页面中明确说明。

一个强大的OCR（光学字符识别）工具

Ollama-OCR是一个使用最新视觉语言模型的OCR工具，通过Ollama提供技术支持，能够从图像中提取文本。它支持多种输出格式，包括Markdown、纯文本、JSON、结构化数据和键值对，并且支持批量处理功能。这个项目以Python包和Streamlit网络应用的形式提供，方便用户在不同场景下使用。

基于InternViT-6B-448px-V1-5的增强版视觉模型

InternViT-6B-448px-V2_5是一个基于InternViT-6B-448px-V1-5的视觉模型，通过使用ViT增量学习与NTP损失（阶段1.5），提升了视觉编码器提取视觉特征的能力，尤其是在大规模网络数据集中代表性不足的领域，如多语言OCR数据和数学图表等。该模型是InternVL 2.5系列的一部分，保留了与前代相同的“ViT-MLP-LLM”模型架构，并集成了新增量预训练的InternViT与各种预训练的LLMs，包括InternLM 2.5和Qwen 2.5，使用随机初始化的MLP投影器。

将图像转换成结构化的Markdown文档

LlamaOCR.com是一个基于OCR技术的在线服务，它能够将上传的图像文件转换成结构化的Markdown格式文档。这项技术的重要性在于它极大地提高了文档转换的效率和准确性，尤其是在处理大量文本资料时。LlamaOCR.com由'Together AI'提供支持，并且与'Nutlope/llama-ocr'的GitHub仓库相关联，显示了其开源和社区支持的背景。产品的主要优点包括易用性、高效率和准确性。

快速高效的非结构化数据提取工具

Extractous是一个用Rust编写的非结构化数据提取工具，提供多语言绑定。它专注于从各种文件类型（如PDF、Word、HTML等）中提取内容和元数据，并且性能优异，内存占用低。Extractous通过原生代码执行实现快速处理速度和低内存使用，支持多种文件格式，并集成了Apache Tika和tesseract-ocr技术，使其能够处理广泛的文件类型并进行OCR识别。该工具的开源性质和Apache 2.0许可使其可以免费用于商业用途，适合需要处理大量文档数据的企业和开发者。

一站式OCR代理，快速从图像中生成洞见。

TurboLens是一个集OCR、计算机视觉和生成式AI于一体的全功能平台，它能够自动化地从非结构化图像中快速生成洞见，简化工作流程。产品背景信息显示，TurboLens旨在通过其创新的OCR技术和AI驱动的翻译及分析套件，从印刷和手写文档中提取定制化的洞见。此外，TurboLens还提供了数学公式和表格识别功能，将图像转换为可操作的数据，并将数学公式翻译成LaTeX格式，表格转换为Excel格式。产品价格方面，TurboLens提供免费和付费两种计划，满足不同用户的需求。

一站式开源高质量数据提取工具，将PDF转换成Markdown和JSON格式。

MinerU是一个开源工具，专注于将PDF文件转换成机器可读的格式，如Markdown和JSON，便于内容的提取和进一步处理。它在科学文献中解决符号转换问题，支持多种输出格式，并兼容多种操作系统。MinerU的主要优点包括去除页眉、页脚、脚注等，保持文档原有结构，自动识别和转换文档中的公式和表格，支持OCR功能，并且支持多达84种语言的检测和识别。

新一代可靠且可定制的OCR解决方案

Koncile Extract是一款基于人工智能的光学字符识别(OCR)技术，能够将文档中的文本转换为可编辑和可搜索的数据。它通过使用先进的计算机视觉和自然语言处理技术，提供了高准确率的文本提取服务。Koncile Extract的主要优点包括高准确率、易于定制以及能够处理复杂文档的能力。产品背景信息显示，Koncile旨在通过其OCR技术帮助企业提高数据处理效率，降低人工成本。关于价格和定位，Koncile Extract提供定制化的解决方案，以满足不同企业的需求，具体价格可能需要根据客户需求进行商议。

免费 npm 库，用 Llama 3.2 Vision 进行 OCR，输出 markdown 文本

开源 npm 库，免费使用 Llama 3.2 Vision 进行 OCR，支持本地和远程图像，计划支持 PDF，受 Zerox 启发，有免费和付费接口

高精度将图片或PDF转换为Markdown文本或JSON结构化文档的API

pdf-extract-api是一个使用现代OCR技术和Ollama支持的模型将任何文档或图片转换为结构化的JSON或Markdown文本的API。它使用FastAPI构建，并使用Celery进行异步任务处理，Redis用于缓存OCR结果。该API无需云或外部依赖，所有处理都在本地开发或服务器环境中完成，确保数据安全。它支持PDF到Markdown的高精度转换，包括表格数据、数字或数学公式，并且可以使用Ollama支持的模型进行PDF到JSON的转换。此外，该API还支持LLM改进OCR结果，去除PDF中的个人身份信息（PII），以及分布式队列处理和缓存。

AI驱动的电子元件分类器，智能组件管理的终极解决方案。

Vanguard-s/Electronic-Component-Sorter是一个利用机器学习和人工智能自动化识别和分类电子元件的项目。该项目通过深度学习模型，能够将电子元件分为电阻、电容、LED、晶体管等七大类，并通过OCR技术进一步获取元件的详细信息。它的重要性在于减少人工分类错误，提高效率，确保安全性，并帮助视觉障碍人士更便捷地识别电子元件。

从实体书籍中提取划线或手写标记的文本

Excerptor是一个专门设计来从实体书籍中提取划线或手写标记文本的工具。它通过图像处理和光学字符识别技术，将书籍中的标记文本转换为数字格式，方便用户编辑和保存。这项技术的重要性在于它能够帮助用户快速从大量书籍中提取关键信息，提高研究和学习的效率。Excerptor以其高效、准确的文本识别能力和用户友好的操作界面，满足了学术研究、教育和个人学习等不同领域的需求。目前，Excerptor是免费提供给用户的，它的开发和维护由开源社区负责。

macOS平台上的简洁易用翻译词典应用

Easydict是一款专为macOS平台设计的翻译词典应用，它以简洁和易用著称，允许用户轻松优雅地查找单词或翻译文本。这款应用支持多种翻译服务，包括有道词典、DeepL、OpenAI (ChatGPT)、谷歌、腾讯、必应、百度、牛翻译、Lingocloud、阿里和火山翻译等，满足了用户对不同翻译服务的需求。Easydict的主要优点在于其自动选择翻译功能，能够在用户搜索单词后自动显示查询图标，并通过鼠标悬停进行查询。此外，它还支持系统OCR截图翻译，如Silent Screenshot OCR，进一步增强了其实用性。

智能文档处理解决方案

Parseflow是一个数据自动化平台，专注于通过先进的OCR和AI技术实现文档数据的自动提取和结构化。它能够显著降低操作成本，提高工作效率，适用于从发票、合同到电子邮件和简历等多种文档类型。该平台易于集成，支持60多种语言，并提供安全的数据存储。Parseflow的主要优点包括快速的数据提取、广泛的文档类型支持、多语言识别能力以及与6000多个应用的集成能力。它的目标是帮助企业释放数据的潜力，提高运营效率。

一款多功能的屏幕搜索和截屏软件。

eSearch 是一款基于Electron开发的跨平台屏幕搜索和截屏软件，支持Linux、Windows和Mac系统。它集成了截屏、OCR文字识别、搜索、翻译、贴图、屏幕翻译、以图搜图、滚动截屏和录屏等功能。eSearch旨在提供一种方便快捷的方式来获取屏幕上的信息，并通过OCR技术将图片中的文字转换为可编辑的文本，支持多语言识别和翻译，极大地提高了工作效率。

开源数据摄取API服务

Chunkr是一个开源的数据摄取API服务，专注于文档布局分析、OCR和分块处理，将文档转换成适合RAG和LLM的数据格式。支持PDF、DOC、PPT和XLS文件。该服务能够将文本、表格、图像和手写内容进行结构化处理，为人工智能和机器学习应用提供数据支持。它由Lumina AI Inc.维护，并且提供免费试用和定价方案。

高效OCR阅读工具，快速获取书籍精华。

小虫快读是一款基于OCR和AI大语言模型的高效阅读工具，通过手机相机拍摄书籍页面，利用先进的OCR技术自动识别文字，AI大语言模型几秒内生成书籍的核心内容和精华总结，并通过AI语音播放功能，让用户轻松听书，解放双眼，提升学习效率。

视觉增强的检索与生成系统

VARAG是一个支持多种检索技术的系统，优化了文本、图像和多模态文档检索的不同用例。它通过将文档页面作为图像嵌入，简化了传统的检索流程，并使用先进的视觉语言模型进行编码，提高了检索的准确性和效率。VARAG的主要优点在于它能够处理复杂的视觉和文本内容，为文档检索提供强大的支持。