multimodal-parser

name	multimodal-parser
slug	multimodal-parser
description	Unified multi-modal content parser for images, PDF, DOCX, audio, auto OCR/transcription, output structured text for LLM processing

📄 多模态内容解析器

核心亮点

1. 🔄 统一接口：一套API支持图片/PDF/Word/音频4大类格式解析，不需要对接多个服务
2. 🚀 开箱即用：内置OCR、音频转文字、文档解析能力，零配置即可使用
3. 📝 多格式输出：支持纯文本/Markdown/结构化JSON三种输出格式，适配不同LLM处理需求
4. 💡 友好错误提示：依赖缺失时自动给出安装命令，新手也能快速上手

🎯 适用场景

• 多模态Agent的内容解析层
• 文档问答、知识库构建场景的文件预处理
• 图片OCR识别、语音转文字需求
• 批量文档解析与结构化处理

📝 参数说明

参数	类型	必填	默认值	说明
file_path	string	是	-	要解析的文件路径
file_type	string	否	auto	文件类型：image/pdf/docx/audio/auto
output_format	string	否	text	输出格式：text/markdown/structured
options.ocr_lang	string	否	chi_sim+eng	OCR识别语言
options.audio_model	string	否	base	Whisper模型大小（base/small/medium/large）
options.pdf_page_range	tuple	否	undefined	PDF解析页码范围，如[1, 10]表示解析第1-10页

💡 开箱即用示例

图片OCR识别

const result = await skills.multimodalParser({
  file_path: "./resume.jpg",
  file_type: "image",
  output_format: "markdown"
});

PDF解析（指定页码范围）

const result = await skills.multimodalParser({
  file_path: "./document.pdf",
  output_format: "structured",
  options: {
    pdf_page_range: [1, 50] // 只解析前50页
  }
});

音频转文字

const result = await skills.multimodalParser({
  file_path: "./meeting.mp3",
  options: { 
    audio_model: "small" // 用small模型，速度更快
  }
});

🔧 依赖安装

根据需要解析的文件类型安装对应依赖：

# 全量安装所有依赖（推荐）
## macOS
brew install tesseract tesseract-lang poppler pandoc
pip install openai-whisper ffmpeg

## Ubuntu/Debian
apt install tesseract-ocr tesseract-ocr-chi-sim poppler-utils pandoc ffmpeg
pip install openai-whisper

技术实现说明

• 基于成熟的开源工具链（Tesseract/Poppler/Whisper/Pandoc）
• 自动文件类型检测，无需手动指定格式
• 模块化设计，可轻松扩展支持更多格式
• 输出格式标准化，直接可被LLM处理