工作清單

7份PDF实测：MarkItDown、Docling、Marker、MinerU 到底怎么选？

逐字稿文字預覽

这期我们重做一版PDF四方测评。不是问哪个工具永远最好,而是问同一份PDF变成MarkDone以后能不能放心交给AI。我先核对了四个工具的官方用法,再在本地跑同一套样本,Mark it down,Duckling,Marker,MinerU。这一次只比较成功输出的效果。运行环境,设备选择,依赖细节,只作为内部诊断。
不拿来做视频结论。样本一共七类,原生文本报告,可填写表单,双栏论文,财报表格,掌技术手册,专利PDF,还有换灯片PDF。每类只切代表页。因为Apple 10K,NASA手册这种长文档,如果直接整本跑,测到的很可能是压力测试,不是抽取质量。脚本做三件事,切样本页,跑四个工具,
最后检查关键词,标题,表格型,图片引用和可读摘录。分数不是绝对真理,它只是一个质检信号。这份输出有没有资格进入下一步?AI上下文。
先看配置边界。Mark it down 用默认离线转换。Darklin输出 Mark down,并把图片设为 Placeholder。Marker 这一轮使用 No OCR, No Image Extraction 的文本层快速配置,所以,它不代表默认 OCR 能力。
Miner U 使用 Pipeline,保留表格,但本轮不评估公式解析。总览结果,Mark it down 七个样本全部完成,平均规则分83,平均耗时1.23秒。它向第一道,速度非常快。Darklin 平均 88.9分,平均 9.31秒。它不是最快,但结构感最稳。
Marker 在这轮文本层快速配置下,平均 88.1分,平均 36.2秒。它的边界要写清楚,适合有文本层,不需要 OCR 的场景。
Miner U 平均 79.1分,平均 27.7分,平均 27.7分。
Darklin 平均耗时1.23,平均耗时1.23秒。它向第一道,速度非常快。Darklin 平均 88.9分,平均 9.31秒。
Darklin 平均 88.9分,平均 9.31秒。
Miner U 平均 79.1分,平均 27.79秒。它更像重型管线,适合你愿意为复杂版面多复配置成本的时候。第一个案例是 Nest 报告。四个工具都能读到目录和 Executive Summary,但结构不一样。Mark it down 把目录更像普通文本串出来。Darklin 和 Marker 更容易形成表格化目录。
Miner U 保留了标题,但表格结构弱一些。第二个案例是 W 四表单。
这里不是看有没有字,而是看 Step 1 姓名、地址、 Worksheet 这些字段还在不在同一个语意块里。Darklin 和 Marker 的结构最完整。
Miner U 给出 HTML Table,Mark it down 很快,但更像线性文本。第三个案例是双栏论文。论文最怕阅读顺序飘移。Mark it down 开头会带一些 AR 14 页面噪声。Darklin, Marker, Minor U 都能稳定抓到标题和作者,但后续图表位置仍然要抽样检查。
第四个案例是财报表格。这里三家都拿到高分,但看真实输出会发现差异。Darklin 的年份列,指标行更规整。Marker 也能保留多列表格。Mark it down 可用,但有些列被拆得更碎。Miner U 输出 HTML Table,不过个别行会有重排噪声。
第五个案例是长技术手册。长文档不要一上来整本入库,先抽目录、图表说明和章节页。Darklin 和 Marker 的目录结构最清楚。Mark it down 适合快速预览。Miner U 保留部分图像线索。
第六个案例是专利,PDF。它看起来像扫描件,但实际带有可抽取文本层。所以,No OCR 配置也能拿到内容。
这就是PDF 制简第一步,先判断有没有文本层,不要只凭页面长相决定要不要 OCR。最后是幻灯片,PDF。所有工具都不算轻松。问题不是读不到字,而是幻灯片的语意藏在布局里,大标题,箭头,左右分组,图形关系。
转成 Mark it down 后,这些关系很容易被压平成段落。所以,这期的结论不是选一个神工具。如果你只是快速读普通 PDF,Mark it down 很适合做第一刀。
如果你要结构、表格和知识库候选,Darklin 更稳。如果你确认 PDF 有文本层,而且不需要 OCR,Marker 的快速配置表现很好,但一定要著名边界。
如果你面对扫描件或复杂版面,Miner U值得保留,不过要接受更重的依赖和参数成本。
真正可靠的流程,是 PDF 入库前做四个检查,有没有文本层,阅读顺序有没有乱,表格行列有没有保住,图片,公式,扫描页有没有抽样。工具不是答案,质检流程才是答案。
下一期如果继续,我们可以把这套测评变成批量 PDF 入库工作流。
不仅看 Mark it down 好不好看,还看尽 Rack hole 能不能引用,能不能追溯,能不能查错。
不仅看 Mark it down 。

來源：transcript.txt

本次執行流程與問題處理

  1. 下達指令

    指令：videonote https://b23.tv/rkCrEvu --language zh --auto-source-subtitles

    來源：https://b23.tv/rkCrEvu

    辨識語言：zh ｜ 參數：--language zh --auto-source-subtitles

  2. 預期流程

    依指令產生的處理順序：

    1. 自動字幕優先，Whisper 作為備援
    2. 來源選擇與品質檢查
    3. 文字校正與句子單元
    4. 筆記與發布
    5. 公開網頁發布

  3. 1. 下載與語音辨識

    工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）

    處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿

    產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）

    耗時：38.4 秒

    關係：依序執行

    結果：完成

  4. 2. 全文快速校讀

    工具：videonote_rapid_transcript_review.py

    處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目

    產出：rapid_transcript_review_report.json（產出檔案）

    耗時：53.7 秒

    關係：依序執行

    結果：完成

  5. 3. 建立句子單元

    工具：videonote-build-sentence-units

    處理：將逐字稿切成帶時間軸的句子單元

    產出：sentence_units.json（句子單元）

    耗時：0.8 秒

    關係：依序執行

    結果：完成

  6. 4. 句子密度平衡

    工具：videonote_balance_sentence_units.py

    處理：平衡句子長度與密度

    產出：sentence_units.json（句子單元）

    耗時：0.8 秒

    關係：依序執行

    結果：完成

  7. 5. 時間軸稽核

    工具：videonote_timeline_audit.py

    處理：檢查時間軸與音訊對齊

    產出：timeline_audit_report.json（時間軸稽核）

    耗時：0.8 秒

    關係：依序執行

    結果：完成

  8. 6. 品質檢查

    工具：videonote_controlled_quality.py（檢查時間軸與品質）

    處理：檢查語言、時間軸與可讀性品質

    產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  9. 7. 播放時間軸回填

    工具：videonote_rebase_display_timeline.py

    處理：將網頁播放時間軸回填為校正字幕時間

    產出：display_timeline_rebase_report.json（時間軸回填報告）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  10. 8. 逐字稿交叉檢查

    工具：videonote_cross_check_transcript.py

    處理：交叉檢查逐字稿與來源字幕

    產出：transcript_crosscheck_report.json（交叉檢查）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  11. 9. 來源句整理

    工具：videonote_prepare_source_entries.py

    處理：整理來源句子供時間軸與頁面使用

    產出：sentence_units.json（句子單元）

    耗時：1.0 秒

    關係：依序執行

    結果：完成

  12. 10. 生成筆記摘要

    工具：videonote-generate-note（生成筆記摘要）

    處理：生成筆記摘要與重點

    產出：note.md（筆記 Markdown）、note.html（筆記 HTML）

    耗時：125.8 秒

    關係：依序執行

    結果：完成

  13. 11. 建立筆記頁面

    工具：videonote-render-html（產生筆記 HTML）

    處理：產生可閱讀的筆記 HTML 頁面

    產出：note.html（筆記 HTML）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  14. 12. 發布公開頁面

    工具：videonote-publish（發布公開頁面）

    處理：發布到公開網站與每日列表

    產出：公開筆記網址、result.json（管線結果）

    耗時：1.0 秒

    關係：依序執行

    結果：完成

手動來源字幕

自動來源字幕

Whisper 字幕

Qwen 字幕

Parakeet 字幕

MOSS 字幕

聲學時間證據（PyAnnote / WhisperX）

校正前後逐字稿

目前待解決問題與初步改善方向

進一步精進字幕與筆記
使用 Workbench 上傳校正字幕、中文參考稿或回饋 SRT，重新產生雙語與學習單元。
開啟 Workbench