让不同媒体，进入同一套处理流程。

把分流、结果与失败处理写进流程。

按来源选择路径

PDF 优先读取可用文字层；视频优先抽取内置字幕；需要时再转入 OCR 或语音识别。

保留同一输出契约

每份材料输出 content.md、meta.json 与 raw/；批量结果写入 index.md，便于后续程序和人工分别使用。

将异常作为状态

用 ok、partial、no_speech、failed 区分结果；低置信度 OCR 保留校对清单，文字稀少的图片标记待视觉复核。

两份测试材料，两条不同的处理路径。

以下内容来自 2026-10-26 实际执行的测试素材，不是客户材料，也不是重新编写的识别结果。

带字幕的视频

5 秒测试视频 → 内置字幕提取 → 38 字、2 段带时间戳文本。来源标记为 subtitle，本次不调用语音识别。

[0:00] 这是内置字幕轨测试第一句
[0:02] This is subtitle track line two

查看实际字幕产物 ↗

含文字层的 PDF

1 页测试 PDF → 直接读取文字层 → 174 字。正文按页组织，页面标记为 text-layer。

media-extract text layer test document

查看实际 PDF 产物 ↗

下载副本只移除了执行机器的绝对文件路径；正文与处理来源保留。

按分支验证，不把测试数当识别准确率。

已核验流程

视频内置字幕提取、PDF 文字层读取，以及输出中的来源和状态字段已复核。扫描 PDF 的 OCR 测试在正常本机权限下通过。

测试范围

2026-10-26 完整复跑现有套件：47 项通过，无失败、无跳过，耗时 15.321 秒。覆盖文本处理、目录命名、PDF、字幕、语音识别与批量续跑；这表示测试素材下的流程验证，不代表通用识别准确率。查看核验说明 ↗

能力边界

OCR 与语音识别可能误读专名，仍需结合原材料复核；本页没有生产使用量、准确率或节省时间的主张。没有开放在线上传接口。