从视频帧、图像和扫描文档中提取可读的结构化文本，用于下游字幕和内容工作流。
从录制的演示文稿中提取幻灯片文本
将硬编码字幕转换为可编辑文本
索引屏幕文本以进行搜索和导航
使用视觉上下文提高转录准确性
从视频帧中提取硬编码字幕的文本与时间信息。
通过将屏幕幻灯片内容和演示上下文合并到转录中，提高语音转文本的准确性。
自动检测演示视频中的幻灯片过渡，以精确的时间边界分割内容。
在项目间保持术语一致，并输出可重复的字幕与文本翻译结果。