视频内容理解（豆包系列）增强版

• 在线

• 视频内容理解算子，支持对视频文件使用豆包模型进行理解，包括视频内容的解析与自然语言描述生成。
• 将视频压缩到50M以内，再使用豆包模型进行视频理解；
• 支持视频格式：mp4、wmv、webm、mkv、m4v、flv、avi、mov，因视频文件格式变种较多，不能保证所有文件都能被识别，请通过测试验证文件能够被正常识别。

图片生成（Seedream 系列模型）

• 在线

• 图片生成（ Seedream 系列模型）算子，可根据用户输入的文本或参考图像生成高质量图片，支持组图与流式输出。
• 核心功能
  • 文生图/图生图/组图生成
  • 支持流式输出（SSE）与非流式输出
  • 输出格式支持 url 与 b64_json

seedance视频生成（豆包系列）

• 在线

Seedance是字节跳动豆包大模型团队最新推出的视频生成基础模型，可根据用户输入的文本、图片等内容，快速生成优质的视频片段

图文 embedding（豆包系列模型）

• 在线
• 离线

• 多模态向量生成处理器，支持图像/视频与文本的联合向量生成，实现跨模态检索能力。
• 核心功能
  • 多模态向量化支持：支持图像/视频与文本的联合向量生成，实现跨模态检索能力，参考文档。
  • 输入格式自适应：
    • 原生支持图像/视频的base64编码、二进制数据、URL等输入格式
    • 自动处理媒体格式转换（JPEG/PNG/MP4/AVI等）

多模态深度思考（Doubao-seed-1.8）

• 在线

• 多模态场景下提供大模型的深度思考能力，使用具备深度思考能力的模型，对图片、视频或文本进行分析理解，并返回结构化文本输出。算子会自动构建符合多模态模型规范的 message 结构，用户只需按约定提供图片 / 视频 / 文本数据即可完成推理。

核心功能

• 深度思考机制：模型在回答问题前自动进行问题拆解和逻辑推理，生成思维链（reasoning_content）
• 多模态场景支持：同时支持图片 / 视频 / 文本输入，自动完成多模态消息拼装
• 输入简化机制：支持本地文件、HTTP/HTTPS URL、TOS/S3 对象存储等多种数据源，通过简单配置即可实现视觉理解能力
• 灵活思考模式：支持通过 thinking_type 参数控制深度思考模式（enabled / disabled / auto），在回答质量与性能之间灵活权衡

音频格式转换（在线）

• 在线

• ”音频格式转换“算子。音频格式转换用于将音频或视频文件统一转换为指定的音频格式，并输出到指定的存储路径。
• 该算子主要用于数据处理流水线中的音频格式标准化、视频抽音频、训练数据准备等场景，支持批量并发处理与可配置的音频编码参数
• 核心功能
  • 音频 / 视频统一转换为音频
  • 支持自定义输出音频格式
  • 支持自定义输出路径（TOS）
  • 支持音频编码参数扩展
  • 批量并发处理能力

音频切分

• 在线

• ”音频切分“算子，用于从音频或视频文件中提取音频，并按照指定规则将音频切分为多个片段，输出到用户指定的存储路径。
  该算子主要用于长音频或视频的结构化处理场景，如音频预处理、数据切分、训练数据构建等，支持批量并发处理以及灵活的输出路径组织方式。
• 核心功能
  • 音频/视频提取与切分
  • 支持自定义切分规则
  • 支持自定义输出音频格式
  • 支持输出路径模板
  • 支持音频编码参数扩展

语音转文字（LAS ASR服务）

• 在线

• 语音转文字（豆包系列）算子，为语音识别模块，基于 LAS ASR 服务的录音转写解决方案。
• 核心功能
  • 接入火山引擎LAS ASR接口
  • 支持自动断句、数字规整、说话人或通道分离（可选）
  • 并发处理多个音频文件，提供结构化 JSON 与可读文本两种输出
• 适合转写最长2小时的录音文件，支持标点补全、智能断句、说话人分离等高级功能。

视频智能剪辑

• 在线

• 视频智能剪辑算子，基于多模态大模型实现视频智能剪辑能力，帮助用户从长视频中快速提取有价值的内容片段。支持自然语言描述的剪辑需求理解、参考图像辅助识别（角色、物品、场景等）、多维度视频内容分析（视觉、字幕、剧情），并输出标准化的剪辑决策信息（时间戳、描述、标签等）。
• 核心功能：
  • 支持多种剪辑场景：角色片段提取、高光片段检测、产品片段检测、自定义剪辑等。
  • 基于自然语言描述的灵活剪辑需求理解，支持用户自定义需求。
  • 支持参考图像辅助识别（角色、物品、场景等）。
  • 多维度视频内容分析（视觉、字幕、剧情）。
  • 标准化的剪辑决策输出（时间戳、描述、标签等）。
  • 自动生成视频片段文件并上传至 TOS。

PDF 文档解析（豆包）

• 在线

• PDF 内容解析算子，支持对 PDF 文件进行视觉模型解析与 Markdown 结构化输出。
• 核心功能
  • 支持 PDF 页面渲染与视觉模型解析，输出高保真 Markdown，完整还原原文结构（标题层级、表格、公式、图片区域）。
  • 自动识别图片区域并返回 boundingbox 信息及图片预签名 URL。
  • 支持逐页和整书 Markdown 汇总，便于后续内容处理和展示。