工具集

OpenDataLab 出品的文档解析工具，把 PDF、图片与 Office 文档转成 Markdown 或 JSON，擅长表格、公式与复杂版面，支持 agent 按页续读与引用定位。默认本地解析，需要 Python 3.10 以上。

把存款、在职、收入、退休证明等签证材料照片 OCR 识别后译成英文，生成原件与译文对照的双语 PDF。需要本地 Python（pillow、reportlab）和 OCR 工具（macOS Vision、EasyOCR 或 Tesseract）。译文页自带「认证翻译」字样但并非正式认证：姓名、金额、日期须人工核对，正式递交可能仍需有资质的翻译机构出具。

飞桨 PaddleOCR 官方 MCP：对图片和 PDF 做文字识别与版面解析（PP-OCR、PP-StructureV3、PaddleOCR-VL），输出文本或 Markdown；可本地推理，也可调用官方 API、千帆或自建服务。

百度飞桨官方的 OCR 与文档解析工具：paddleocr 命令可识别图片文字，并把 PDF、扫描件解析成 Markdown 或 JSON，支持中文等 100 多种语言，模型可在本地运行。

经典开源 OCR 引擎与命令行工具，识别图片中的文字并输出纯文本、hOCR、可搜索 PDF 或 TSV，支持 100 多种语言；中文等语言需安装对应的语言数据。

解析 PDF、DOCX、PPTX、XLSX、HTML、图片与音频等格式，还原版面、阅读顺序、表格与公式，导出 Markdown、HTML 或无损 JSON。IBM Research 发起，现由 LF AI & Data 基金会托管，可完全本地运行。

把 PDF、图片、PPTX、DOCX、XLSX、EPUB 等文档转换为 Markdown、JSON 或 HTML，能还原表格、公式与版面结构，可选接入大模型提升精度。需 Python 3.10+ 与 PyTorch；模型权重大规模商用需付费授权。

AI2 出品的 PDF 与扫描件转 Markdown 工具，基于视觉大模型，能处理公式、表格、手写和多栏排版，适合批量数字化论文和档案。本地运行需 12GB 显存以上的 NVIDIA 显卡；没有显卡可接入兼容 OpenAI 接口的远程推理服务（需 API Key，按量付费）。

一条命令批量翻译漫画、海报、截图里的文字：自动检测文字、OCR、擦除原文并把译文排版回图中，以日文为主，也支持中英等 20 多种语言。需从源码安装（Python 3.10+），可用离线模型，也可接 DeepL 或大模型 API。

识别视频里烧录的硬字幕并生成 SRT 或 TXT 文件，OCR 全在本地完成，支持中英日韩等 87 种语言。以图形界面为主（可批量），命令行版 backend/main.py 从标准输入读取视频路径和字幕区域。需要 Python 3.12+ 与 PaddlePaddle，路径不能含中文和空格。

Docling 项目官方 MCP：把 PDF、Word、PPT 等文件转成结构化文档，识别版面与表格、对扫描件做 OCR，也能让 agent 逐段生成新文档并导出 Markdown。本地模式需 Python 与 uv，首次运行会下载版面识别模型；也可改连自建的 Docling Serve 服务。

连接自建或托管的 Nextcloud，让 agent 管理网盘文件、日历、联系人、笔记、Deck 看板和邮件，读取 PDF、Word 文档内容（扫描件识别需另行开启），适合重视数据自主的团队。需 Nextcloud 账号与应用专用密码，本机装好 uv。

MinerU 官方 MCP：调用 mineru.net 云端接口把 PDF、Word、PPT 与图片解析为 Markdown，保留表格与公式；免 Key 的 Flash 模式可直接使用，配置 Token 可解锁更高额度与更多格式。

科大讯飞官方技能合集：机器翻译、视频翻译配音、公文校对、PDF/图片与发票识别、语音转写与合成，另有合同智能审核（结果须由律师或法务复核）。需在讯飞开放平台开通对应服务并配置 AppID 与密钥，合同审核另需配置 OCR 与大模型接口。