Cosmic 文档解析与音频转写

Cosmic 可解析 PDF、图片、Word、PowerPoint 和 Excel 文件，支持版面分析、OCR、表格和公式识别。也支持转写音频文件和视频中的音轨，导出文本和字幕。

运行环境

适用于 Windows 11 和 Ubuntu 24.04 LTS（x86-64），需要 Python 3.10 或更新版本。Windows 需要 Microsoft Visual C++ x64 运行库。使用 CPU 推理时无需 GPU 或 NPU 驱动。

Intel 驱动版本随硬件型号而异。Ubuntu 上请按厂商说明为设备选择匹配的内核与驱动。

安装

按设备选择推理后端。

• CPU 或 Intel GPU/NPU 使用 python -m pip install "transwarp-cosmic[openvino]"。
• NVIDIA GPU 使用 python -m pip install "transwarp-cosmic[tensorrt]"。
• 两种后端都需要时，使用 python -m pip install "transwarp-cosmic[openvino,tensorrt]"。

使用

解析文档

解析 PDF 后，打开 output 目录中 ZIP 压缩包内的 content.md 查看结果。

cosmic --backend openvino -i "input.pdf" -o "output"

启动服务

启动 HTTP 服务后，可在浏览器中上传文档。 打开本地服务

cosmic-server --backend openvino --host 127.0.0.1 --port 5000

使用 TensorRT 时，将上述命令中的 --backend openvino 改为 --backend tensorrt。仅用 CPU 运行 OpenVINO 时，将 COSMIC_OV_LAYOUT_DEVICE、COSMIC_OV_OCRDET_DEVICE 和 COSMIC_OV_OCRREC_DEVICE 都设为 CPU。

转写音频

支持 MP3、WAV、FLAC、M4A、OGG 等音频文件，也可转写 MP4 等视频中的音轨。先在服务网页上选择语种并下载语音模型。已有本地语音模型时，也可以用 --asr-model-path 指定对应语种的模型目录。

cosmic -i "meeting.mp3" -o "output" --asr-locale zh-CN

也可在服务网页上传音频。结果 ZIP 包含 content.md、带时间戳的 transcript.json 以及 content.srt 和 content.vtt 字幕。

命令行参数

cosmic 和 cosmic-server 通用参数

cosmic 参数

cosmic-server 参数

文档模型下载与离线使用

首次解析或启动服务时，Cosmic 会从 ModelScope 下载所需模型。离线使用时，在联网机器上安装 Git LFS 后，先下载完整模型目录。

git lfs install
git clone https://www.modelscope.cn/cjasqwd/cosmic-models.git "C:\models\cosmic"
git -C "C:\models\cosmic" lfs pull

将整个模型目录复制到离线机器，在启动 Cosmic 前设置模型路径并跳过联网下载。Windows CMD 示例使用 C:\models\cosmic。

set "COSMIC_MODEL_PATH=C:\models\cosmic"
set "COSMIC_SKIP_DOWNLOAD_MODEL=1"

在 Linux 上，将目录复制到相应的绝对路径，再用 export 设置变量。

export COSMIC_MODEL_PATH=/opt/cosmic/models
export COSMIC_SKIP_DOWNLOAD_MODEL=1