本文へスキップ

vision-parse

視覚言語モデルで PDF を Markdown に解析

公式サイトを見る

vision-parse とは

本ツールは視覚言語モデルで PDF から整った Markdown を作ると紹介され、文字と表を認識しつつ文書の構造を保つ。

できること

  • PDF から文字と表を抽出する
  • 階層・スタイル・インデントを保つ
  • 複数ページの PDF を扱う

導入の手順

  • Python 3.9 以上を用意する
  • pip でパッケージを導入する
  • 任意の依存群を追加する
  • VisionParser の実体を作る

長所と短所

✓ 良い点

  • Ollama によるローカル運用で安全なオフライン処理
  • 引数の調整で詳しい抽出ができる

! 注意したい点

  • 資料は Python 3.9 以上を要する
  • OpenAI または Gemini の任意依存群が要る場合がある

よくある質問

対応モデルは?

資料は OpenAI、Google Gemini、Ollama を挙げる。

ローカルで動く?

資料は Ollama で安全なオフライン処理ができると説明。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法