多模态模型

PaddleOCR 3.5 发布：Web 端直用、文档一键转 Markdown，生态交互新体验

2026 年 4 月 21 日

PaddleOCR 3.5带来浏览器端OCR新体验，文档转换更智能，生态融合更便捷。核心内容： 1. 发布PaddleOCR.js，支持浏览器端轻量调用OCR能力 2. 新增文档转换功能，支持Word/Excel/PPT转Markdown 3. 融入Hugging Face生态，统一推理引擎配置方式

PaddleOCR3.5正式发布，带来以下核心升级：

发布浏览器端PaddleOCR.js，开发者可以用更轻量的方式在前端应用中直接调用OCR能力。
支持将PaddleOCR-VL文档解析内容转为Word，以及将Word、Excel、PPT等类型的办公文档转为Markdown。
融入Hugging Face开发生态，通过统一推理引擎配置方式，支持基于Transformers完成OCR系列模型推理。

发布PaddleOCR.js

在Agent时代，越来越多的智能体需要直接感知和理解用户界面上的信息——而这些信息，往往就存在于浏览器里。让数据不离开浏览器就能完成识别，不仅是对隐私的保护，更是降低系统复杂度、实现真正轻量化部署的关键一步。

PaddleOCR.js正是为此而生。从能力上看，它已经不仅仅是"能识别"，而是在浏览器侧提供了一套更完整的使用体验：基于ONNX Runtime Web搭建，同时支持WebGPU和Wasm两种加速后端；提供Worker模式，推理过程在后台线程运行，不阻塞主线程、不影响页面交互；并已适配Chrome、Safari等主流浏览器。

无论是验证码识别、在线票据处理，还是构建更强调交互体验的前端AI工具，开发者都可以用更轻量的方式，将PaddleOCR无缝接。

import { PaddleOCR } from "@paddleocr/paddleocr-js";const ocr = await PaddleOCR.create({  lang: "ch",  ocrVersion: "PP-OCRv5",  worker: true,  ortOptions: {    backend: "auto"  }});const [result] = await ocr.predict(fileOrBlob);console.log(result.items);

同时，从调用风格上看，PaddleOCR.js与PaddleOCR Python接口也保持了较高的一致性。Python侧通过PaddleOCR(...)初始化并调用predict，浏览器侧则通过PaddleOCR.create({...})初始化后同样调用predict得到推理结果列表。这让已有PaddleOCR Python库用户迁移到Web端时几乎不需要重新理解一套完全不同的接口设计：

from paddleocr import PaddleOCRocr = PaddleOCR(    lang="ch",    ocr_version="PP-OCRv5")result = ocr.predict("general_ocr_002.png")

import { PaddleOCR } from "@paddleocr/paddleocr-js";// 支持 Python 风格的 snake_case 参数const ocr = await PaddleOCR.create({  lang: "ch",  ocr_version: "PP-OCRv5"});// 也支持 JavaScript 风格的 camelCase 参数// const ocr = await PaddleOCR.create({//   lang: "ch",//   ocrVersion: "PP-OCRv5"// });const [result] = await ocr.predict(fileOrBlob);

另外，PaddleOCR.js还提供了结果可视化能力，能够把检测框、识别文字等结果以与PaddleOCR Python库相同的风格渲染出来。

import { OcrVisualizer } from "@paddleocr/paddleocr-js/viz";const viz = new OcrVisualizer({  font: { family: "Noto Sans SC", source: "/fonts/NotoSansSC-Regular.ttf" }});const blob = await viz.toBlob(imageBitmap, result);

PaddleOCR仓库中提供了一个简单Demo应用，用于快速体验PaddleOCR.js的效果：

开发者可以在Demo应用中先跑通体验，再逐步集成到自己的Web应用中。

支持多格式文档解析

大模型时代，数据的价值被重新审视。海量知识沉淀在Word、Excel、PPT、PDF等各类文档中，而大模型真正能消化的，是结构清晰的文本。打通文档与大模型之间的通路，成为这个时代最迫切的需求之一。

为此，PaddleOCR 3.5在文档格式的输入与输出两端同时发力：

输出侧：支持将PaddleOCR-VL系列模型、PP-StructureV3的预测结果直接导出为Word格式，让识别结果开箱即用、便于人工流转；

输入侧：支持将Word、Excel、PPT等主流办公文档转换为Markdown格式，结构清晰，易于后续的LLM接入与智能体调用。

以PaddleOCR-VL为例，将预测结果导出为Word文档只需几行代码：

from paddleocr import PaddleOCRVLpipeline = PaddleOCRVL()output = pipeline.predict("./paddleocr_vl_demo.png")pages_res = []for res in output:    res.save_to_word(save_path="output") ## 保存当前图像的Word格式的结果    pages_res.append(res)    output = pipeline.restructure_pages(pages_res)for res in output:    res.save_to_word(save_path="output") ## 将合并后的多页结果保存为Word格式

向左滑动查看导出后的word文件

对于办公文档转Markdown功能，只需一行命令即可高效完成：

# 转换 Word 文档，输出到文件paddleocr doc2md -i report.docx -o output.md# 转换 Excel 表格，输出到文件paddleocr doc2md -i data.xlsx -o output.md# 转换 PowerPoint 演示文稿，输出到文件paddleocr doc2md -i slides.pptx -o output.md

向左滑动查看导出后的Markdown文件

全面适配Transformers推理后端

PaddleOCR3.5将Transformers正式纳入统一推理引擎体系，支持通过统一的配置方式，让开发者可以用同一套接口切换不同底层后端。对需要融入 Hugging Face AI开发生态的用户来说，这意味着在熟悉的Transformers环境中，也能更顺畅地接入OCR与文档解析能力，减少跨生态集成成本，并让原本分散的部署选择变得更加统一、清晰。

从使用门槛上看，这次适配也尽量保持了简单直接。开发者只需在环境中安装5.4.0或更高版本的transformers以及3.5.0版本的paddleocr，即可通过统一接口完成调用。以文本检测模型为例：

from paddleocr import TextDetectionmodel = TextDetection(    model_name="PP-OCRv5_server_det",    engine="transformers",)result = model.predict("general_ocr_001.png")

其中，engine可以是paddle_static、paddle_dynamic或transformers，分别对应飞桨静态图（Paddle Inference）、飞桨动态图和Transformers后端。

Transformers提供高效简洁的单模型的加载、配置与推理能力，而PaddleOCR在模块封装与多模型编排能力有长期积累的优势。在底层，我们保留了面向单模型的灵活接入方式；在更高一层，PaddleOCR仍然能够把检测、方向分类、识别等能力按业务需要串联组合起来，让开发者既能享受Transformers生态的便利，也能继续使用 PaddleOCR 已经成熟的产线化能力，实现更强的组合效果。例如，同样可以通过 engine 参数将 OCR pipeline直接切换到对应后端：

paddleocr ocr -i xxx.png \    --use_doc_orientation_classify False \    --use_doc_unwarping False \    --use_textline_orientation False \    --save_path ./output \    --engine transformers

执行结果与使用飞桨静态图完全对齐：

此外，PaddleOCR3.5还支持通过engine_config参数配置推理后端的初始化参数，进而实现更细粒度的设备选择、精度控制与推理行为调优，让统一接口之上也保留了足够的灵活性与可定制空间。

从文档图像到结构化数据，PaddleOCR始终致力于降低AI应用开发的数据门槛。PaddleOCR 3.5版本的升级，不仅让OCR能力更广泛地融入HuggingFace生态与浏览器端，更将文档解析链路延伸至多格式办公文档的一键转换。这一切努力，归根结底是为了把“将文档图像转换为JSON、Markdown等AI友好数据”这件事做到极致，让PaddleOCR真正成为每一位AI开发者手边的“开局神器”——数据一键整理、适度清洗、格式就绪，让您的AI应用从第一步就走在高效的路上。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

PaddleOCR 3.5 发布：Web 端直用、文档一键转 Markdown，生态交互新体验

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单