MarkItDown - 多格式文档转 Markdown 工具

技能概述

MarkItDown 是微软开发的 Python 工具，支持将 PDF、Office 文档、图片、音频等 15+ 种文件格式转换为 Markdown，提供 OCR 识别、AI 图像描述和语音转录功能。

适用场景

1. 科学文献处理

研究人员可以将 PDF 格式的学术论文转换为 Markdown，便于在 AI 工具中进行文献综述和内容分析。Markdown 格式对 LLM 更友好，能有效减少 token 消耗。

2. 批量文档转换

开发者可以批量处理大量 Word、Excel、PowerPoint 文件，统一转换为 Markdown 格式用于知识库构建、文档网站生成或 AI 训练数据准备。

3. 多媒体内容提取

从图片中提取 OCR 文本、从音频文件中获取转录内容、从 YouTube 视频中抓取字幕，适用于内容创作者、分析师和需要处理多媒体素材的用户。

核心功能

1. 多格式文档转换

支持 PDF、DOCX、PPTX、XLSX、HTML、CSV、JSON、XML、ZIP、EPUB 等多种文件格式的一键转换，保留原始文档的表格结构、格式和元数据。

2. AI 增强的图像处理

集成 OpenRouter API，可为 PPTX 幻灯片和图片生成详细的 AI 描述，适合需要处理包含大量图表、可视化的演示文稿和技术文档。

3. 智能内容提取

• OCR 识别：从扫描版 PDF 和图片中提取文本内容
• 音频转录：将 WAV、MP3 等音频文件转换为文字
• 视频字幕：直接从 YouTube URL 获取视频转录文本

常见问题

MarkItDown 支持哪些文件格式？

MarkItDown 支持 15+ 种文件格式，包括 PDF、Word (DOCX)、Excel (XLSX)、PowerPoint (PPTX)、HTML、CSV、JSON、XML、图片（JPEG、PNG、GIF、WebP）、音频（WAV、MP3）、ZIP 压缩包、EPUB 电子书，以及通过 URL 获取的 YouTube 视频字幕。

如何使用 AI 增强功能？

AI 图像描述功能需要 OpenRouter API 密钥。在 Python 代码中，通过 OpenAI 兼容的客户端初始化 MarkItDown，指定 llm_client、llm_model 和 llm_prompt 参数。推荐使用 Claude 模型获得更精确的科学和技术图像描述。

MarkItDown 是免费工具吗？

是的，MarkItDown 采用 MIT 开源许可，完全免费使用。但 AI 增强功能（如图像描述）需要调用 OpenRouter API，这会产生相应的 API 调用费用，取决于所选模型和调用次数。