Anything-to-MD

把任何文件变成 AI 能吃的 Markdown。PDF、Office、图片、音视频、YouTube — 一个命令搞定。

anything-to-md file report.pdf -o ./output

为什么需要这个

LLM 不吃 PDF，不吃 PPT，不吃视频。但你的知识全在这些格式里。

Anything-to-MD 是一个统一转换层：原始多模态输入 → 结构化、可索引、可总结的 Markdown。

三种使用方式，同一套引擎：

架构

输入文件
  │
  ├─ PDF ──→ MinerU (OCR级) ──→ MarkItDown ──→ pypdf
  │          布局检测+表格识别     文本提取        纯文本兜底
  │          图片提取+公式识别
  │
  ├─ Office (DOCX/XLSX/PPTX) ──→ MarkItDown ──→ openpyxl 兜底
  │
  ├─ 图片 ──→ MarkItDown + OCR 插件
  │
  ├─ 视频 ──→ VideoRouter (智能路由)
  │     │
  │     ├─ PROBE: 探测字幕轨/音频轨/画面文字
  │     ├─ DECIDE: 选择最优策略
  │     ├─ EXTRACT: 字幕提取 / faster-whisper / 关键帧OCR
  │     └─ FUSE: 时间轴对齐 + 内容去重
  │
  ├─ 音频 ──→ faster-whisper 转写
  │
  ├─ YouTube ──→ yt-dlp 字幕/转写
  │
  └─ HTML/EPUB/CSV/JSON/XML ──→ MarkItDown
                                      │
                                      ▼
                              结构化 Markdown 输出

每种格式都有多级降级链。上游失败，自动切下游，不丢内容。

PDF 三级引擎

这是核心差异化能力。大多数工具只有一个 PDF 后端，遇到扫描件或中文图文混排就歇菜。

MinerU 首次运行会下载 ~2GB 模型（后续秒开）。如果你的 PDF 是纯文本英文，MarkItDown 就够了；但凡涉及中文、扫描件、表格 — MinerU 是质的飞跃。

视频智能路由（NEW）

视频不是简单的"转写"就完事。很多视频（教程、PPT录屏、带字幕的讲座）的核心信息在画面上。

4 阶段流水线

PROBE → DECIDE → EXTRACT → FUSE

Phase 1: PROBE (< 5 秒)

• ffprobe 探测：内嵌字幕轨、音频轨
• 旁白文件检测：.srt/.vtt
• 采样帧 OCR：5 帧快速 OCR 检测画面文字

Phase 2: DECIDE - 智能选路

Phase 3: EXTRACT

• 字幕：ffmpeg 直接提取 SRT
• 音频：faster-whisper（比 OpenAI Whisper 快 4x）
• 画面：PySceneDetect 场景检测 + 感知哈希去重 + RapidOCR

Phase 4: FUSE

• 时间轴对齐
• 内容去重（字幕 vs 转写 vs OCR）
• 优先级：字幕 > 音频 > OCR

关键优化

不要 OCR 每一帧。场景检测 + 感知哈希把 1 小时视频从 ~108,000 帧降到 50-200 关键帧。

安装

方式一：一键安装（推荐）

Linux / macOS:

git clone https://github.com/1596941391qq/anything-to-md.git
cd anything-to-md
chmod +x install.sh
./install.sh

Windows (PowerShell):

git clone https://github.com/1596941391qq/anything-to-md.git
cd anything-to-md
Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\install.ps1

安装脚本会：

1. 创建独立虚拟环境
2. 安装基础依赖
3. 询问是否安装 PDF 增强（MinerU）
4. 询问是否安装视频支持
5. 验证安装

方式二：手动安装

# 基础安装（纯文本 PDF、Office、HTML、JSON 等）
pip install -e .

# PDF 增强（中文 PDF、扫描件、表格）
pip install -e ".[pdf]"

# 视频处理支持
pip install -e ".[video]"

# 完整安装（所有功能）
pip install -e ".[full]"

外部依赖

常见问题

NumPy 兼容性:

pip install "numpy<2.0"  # 避免 ABI 兼容问题

PyTorch CUDA 问题:

# faster-whisper CUDA DLL 加载失败时，自动降级到 openai-whisper
pip install openai-whisper

CLI

# 单文件转换
anything-to-md file document.pdf -o ./output

# 目录批量转换（保持目录结构）
anything-to-md dir ./my-docs ./my-mds --report

# YouTube 视频转写
anything-to-md youtube "https://www.youtube.com/watch?v=..."

# 查看支持的格式
anything-to-md formats

MCP Server

# 直接启动
anything-to-md-mcp

# 或
python -m anything_to_md.mcp_server

Claude Code 配置：

{
  "mcpServers": {
    "anything-to-md": {
      "type": "stdio",
      "command": "python",
      "args": ["-m", "anything_to_md.mcp_server"]
    }
  }
}

MCP 提供 4 个工具：

• convert_file_to_markdown — 单文件转换
• convert_directory_to_markdown — 批量转换
• convert_youtube_to_markdown — YouTube 转写
• get_supported_formats — 查看支持格式

支持格式

Roadmap

• GPU 加速支持（CUDA/Metal）
• 并行批处理
• 更多 OCR 引擎（EasyOCR, Tesseract）

致谢 / Acknowledgments

本项目基于以下优秀开源项目构建：

特别感谢这些项目的作者和贡献者，让文档转换变得更简单。

License

MIT