盐选

盐选是什么

盐选是一套面向中文内容处理的智能化工具集。核心处理对象是文档、图像、音视频三类数据。

不依赖单一模型。不同任务走不同管线。

比如文档解析走版面分析+OCR，音视频走语音识别+语义分段。

输出统一为结构化数据。JSON、Markdown、SVG几种格式可选。

盐选主要功能

• 文档全要素解析：能读取PDF、扫描件、图片里的文字、表格、公式、插图，通过版面检测模型还原阅读顺序，输出带层级标签的结构化JSON，单文件上限200页。
• 多模态内容生成：输入文本或结构化数据，生成图文混排的Markdown或SVG示意图，生成过程基于模板引擎+布局算法，输出可直接嵌入网页的HTML片段。
• 音视频转写与分段：处理MP3、WAV、MP4等格式，用ASR模型转文字，再按语义断句切分章节，输出带时间戳的SRT字幕和分段摘要，单文件时长限制4小时。
• 长文本向量化：把切分后的文本块编码为768维向量，走本地嵌入模型，支持批量处理，每秒能处理约120个文本块。
• 表格结构还原：针对跨页、合并单元格的复杂表格，用图神经网络重建行列关系，输出CSV或Excel，单元格识别准确率在公开测试集上达到96.3%。
• 公式识别与转换：识别图片或PDF中的数学公式，转成LaTeX代码，支持行内公式和独立公式两种输出模式。

盐选使用要求

浏览器端需要Chrome 90以上或Edge 90以上。本地部署走Docker，镜像大小约2.3GB。

内存最低8GB。处理200页以上文档建议16GB。

GPU不是必须的。但开启CUDA加速后，文档解析速度提升约3.2倍。

输入文件格式有限制。PDF仅支持1.4到2.0版本。加密文档需要先解除限制。

有一点需要注意，音视频转写对采样率有要求。低于16kHz的音频，识别准确率会下降。

盐选核心优势

表格还原的鲁棒性。跨页表格、无线框表格、手写体表格都能处理。这块用的是图结构推理，不依赖框线检测。

输出格式的兼容性。同一份解析结果能同时导出JSON、Markdown、HTML三种格式。不用重复跑流程。

实际使用时会有差异。不同版式的文档，解析耗时不一样。纯文字PDF最快，每页约0.8秒。图文混排的扫描件慢一些，每页2到4秒。

盐选如何使用

上传文件后选择解析模式。快速模式只做文字提取。精细模式会跑版面分析和表格还原。

解析完成进入结果页。左侧是原文预览，右侧是结构化输出。可以逐块校对。

导出时选目标格式。JSON保留全部层级信息。Markdown适合直接发布。SVG用于公式和示意图。

批量处理走API。POST请求传文件，返回task_id。轮询任务状态拿结果。

盐选同类竞品对比

盐选应用场景

学术论文处理。把PDF论文转成结构化数据。公式变LaTeX。表格变CSV。参考文献自动抽取。

课程视频归档。4小时内的讲座视频转成带时间戳的文字稿。按章节切分。生成摘要。

合同文档比对。两份合同分别解析。提取条款段落。做文本差异对比。

知识库构建。批量文档解析后向量化。导入检索系统。支持语义搜索。

盐选适用人群

• 需要批量处理PDF的数据分析师。重点用表格还原和JSON导出。
• 做课程内容二次分发的教育从业者。音视频转写+分段摘要省去手工整理。
• 搭建企业知识库的后端开发。向量化接口和API批量处理是核心。
• 处理大量公式文档的科研人员。LaTeX输出直接进论文写作流程。

这里有个细节。非技术用户建议先用网页端。API适合有开发能力的团队。

首页截图