文件处理

文件处理节点类别。用于处理文件读取相关的任务。

读取文件

处理f - 图1

该节点可以在使用界面上提供一个文件选择框，让用户选择一个文件，然后将文件内容作为输出。

支持的文件类型

  • <font style="color:rgb(31, 35, 40);">.docx</font>
    • 读取Word文档为Markdown格式
  • <font style="color:rgb(31, 35, 40);">.pdf</font>
    • 读取PDF文档的文字内容
    • 多页内容会被合并为一整段
    • 暂无OCR识别文字的功能
  • <font style="color:rgb(31, 35, 40);">.pptx</font>
    • 读取PPT文档的文字内容
    • 多页内容会被合并为一整段
  • <font style="color:rgb(31, 35, 40);">.xlsx</font>
    • 读取Excel表格并输出为CSV格式的字符串
  • 其它格式 - 读取文件内容的原始文本输出为字符串

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font>

积分消耗

1积分/次

上传文件

处理f - 图2

该节点可以在使用界面上提供一个文件选择框，让用户选择一个文件，然后获取临时访问链接作为输出。

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font>

积分消耗

0 积分/次

多模态处理

多媒体处理节点类别。用于处理图片、音频、视频等多媒体信息。

语音识别

处理f - 图3

该节点可以将一段语音文件或音频链接转换为文字内容。

参数详解

1. 文件或链接

  • 文件 - 通过在使用界面上传音频文件。
  • 链接 - 输入一个音频文件的链接地址，可用于和其他节点连线结合。

2. 文件

通过在使用界面上传音频文件。

3. 链接

支持列表输入 输入一个音频文件的链接地址，可用于和其他节点连线结合。

4. 输出类型

  • 文本 - 将识别结果合并为一个完整的文本字符串。
  • 列表 - 将识别结果的每句话分别输出为一个字符串，以列表形式返回。 - 具体是如何分割的，取决于语音识别服务的结果。
  • SRT字幕 - 输出位SRT字幕格式的文本字符串。

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font> | <font style="color:rgb(31, 35, 40);">列表</font>

积分消耗

以音频时长计算，每分钟消耗约3.5积分。即1小时的音频消耗210积分。

GPT-Vision

处理f - 图4

带有视觉的GPT，允许模型接收图像并回答有关它们的问题。

参数详解

1. 文本提示词

支持列表输入 指示 AI 语言模型生成内容的文本提示词。 根据官方的提示，带视觉的 GPT 模型最擅长回答关于图像中存在什么的一般问题。虽然它确实理解图像中对象之间的关系，它还没有被优化来回答关于图像中某些对象位置的详细问题。例如，你可以问它一辆车是什么颜色的，或者根据你冰箱里的东西，晚餐的一些想法可能是什么，但是如果你给它看一个房间的图像，问它椅子在哪里，它可能不会正确回答这个问题。

2. 图片或链接

  • 图片 - 通过在使用界面上传图片。
  • 链接 - 输入一个图片的链接地址，可用于和其他节点连线结合。

3. 图片

通过在使用界面上传图片文件。

4. 链接

支持列表输入 输入一个图片文件的链接地址，可用于和其他节点连线结合。

5. 图像理解细节

  • 自动 - 该设置将查看图像输入大小并决定是否应该使用<font style="color:rgb(31, 35, 40);">低分辨率图像理解</font>设置或<font style="color:rgb(31, 35, 40);">高分辨率图像理解</font>设置。
  • 低分辨率图像理解 - 将禁用”高分辨率”模式。 - 模型将接收低分辨率512px x 512px版本的图像，允许API返回更快的响应，并为不需要高细节的用例消耗更少的积分。
  • 高分辨率图像理解 - 将启用”高分辨率”模式。 - 该模式首先允许模型看到低分辨率图像，然后根据输入图像大小将输入图像的详细作物创建为512px正方形。该模式下积分消耗比低分辨率模式高。

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font> | <font style="color:rgb(31, 35, 40);">列表</font>

积分消耗

与 gpt-4o 模型的积分消耗相同，只不过图像输入也会根据实际情况算作输入。 一张图片加两句话提问，并输出两三句话的回答，大约消耗 15 积分。

Gemini-Vision

处理f - 图5

带有视觉的 Gemini 模型，允许模型接收图像并回答有关它们的问题。

参数详解

1. 文本提示词

支持列表输入 指示 AI 语言模型生成内容的文本提示词。 根据官方的提示，带视觉的 GPT 模型最擅长回答关于图像中存在什么的一般问题。虽然它确实理解图像中对象之间的关系，它还没有被优化来回答关于图像中某些对象位置的详细问题。例如，你可以问它一辆车是什么颜色的，或者根据你冰箱里的东西，晚餐的一些想法可能是什么，但是如果你给它看一个房间的图像，问它椅子在哪里，它可能不会正确回答这个问题。

2. 图片或链接

  • 图片 - 通过在使用界面上传图片。
  • 链接 - 输入一个图片的链接地址，可用于和其他节点连线结合。

3. 图片

通过在使用界面上传图片文件。

4. 链接

支持列表输入 输入一个图片文件的链接地址，可用于和其他节点连线结合。

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font> | <font style="color:rgb(31, 35, 40);">列表</font>

积分消耗

按 Tokens 计算，1 积分 / 1000 Tokens。

GLM-Vision

处理f - 图6

来自智谱 AI 的多模态模型，实现了视觉语言特征的深度融合，支持视觉问答、图像字幕、视觉定位、复杂目标检测等各类图像理解任务。

参数详解

1. 文本提示词

支持列表输入 指示 AI 语言模型生成内容的文本提示词。

2. 图片或链接

  • 图片 - 通过在使用界面上传图片。
  • 链接 - 输入一个图片的链接地址，可用于和其他节点连线结合。

3. 图片

通过在使用界面上传图片文件。

4. 链接

支持列表输入 输入一个图片文件的链接地址，可用于和其他节点连线结合。

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font> | <font style="color:rgb(31, 35, 40);">列表</font>

积分消耗

按 Tokens 计算，70 积分 / 1000 Tokens。

Claude-Vision

处理f - 图7

Claude 3 系列模型具有新的视觉功能，允许 Claude 理解和分析图像。

参数详解

1. 文本提示词

支持列表输入 指示 AI 语言模型生成内容的文本提示词。

2. 模型

  • claude-3-opus - 新模型，质量最佳，价格最高 - 可接受 200K 输入，最大 4K 输出
  • claude-3-sonnet - 新模型，速度、质量、价格最均衡 - 可接受 200K 输入，最大 4K 输出
  • claude-3-haiku - 新模型，速度最快，价格最低 - 可接受 200K 输入，最大 4K 输出

3. 图片或链接

  • 图片 - 通过在使用界面上传图片。
  • 链接 - 输入一个图片的链接地址，可用于和其他节点连线结合。

4. 图片

通过在使用界面上传图片文件。

5. 链接

支持列表输入 输入一个图片文件的链接地址，可用于和其他节点连线结合。

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font> | <font style="color:rgb(31, 35, 40);">列表</font>

积分消耗

Model Prompt Completion
claude-3-opus 75 积分 375 积分
claude-3-sonnet 15 积分 75 积分
claude-3-haiku 1.25 积分 6.25 积分

OCR

处理f - 图8

OCR 图像文本识别

参数详解

1. 图片或链接

  • 图片 - 通过在使用界面上传图片。
  • 链接 - 输入一个图片的链接地址，可用于和其他节点连线结合。

2. 图片

通过在使用界面上传图片文件。

3. 链接

支持列表输入 输入一个图片文件的链接地址，可用于和其他节点连线结合。

输出类型

<font style="color:rgb(31, 35, 40);">字符串</font> | <font style="color:rgb(31, 35, 40);">列表</font>

积分消耗

每张图片识别消耗 30 积分。