Pokud je to soubor, přečteme ho. Office dokumenty, skenovaná PDF, fotky, audio, video, strukturovaná data, kód a další — vše automaticky parsované StellarOCR a ingest pipelinou.

Office dokumenty

Formát	Co extrahujeme
.pdf (born-digital)	Text, layout, tabulky, obrázky, embedded fonty
.pdf (skenované)	OCR text, rekonstrukce layoutu, rozpoznání tabulek
.docx, .doc	Text, nadpisy, seznamy, tabulky, obrázky, komentáře, tracked changes
.pptx, .ppt	Text slidů, poznámky, embedded obrázky — Q3 2026
.xlsx, .xls	Buňky, vzorce, struktura sešitu, grafy
.odt, .ods, .odp	OpenDocument ekvivalenty — na roadmapě, bez pevného data
.rtf	Rich-text obsah s formátováním
.txt, .md, .rst	Plain text a markup, struktura zachována

Obrázky

Formát	Co extrahujeme
.jpeg, .jpg, .png, .webp	OCR text, popisky, EXIF metadata, obrazové embeddings
.tiff, .heic	Totéž, plus multi-page handling u TIFF
.svg	Embedded text + struktura
.bmp, .gif	Vytažené snímky, OCR per snímek

Audio

Formát	Co extrahujeme
.mp3, .wav, .m4a, .flac, .ogg, .opus	Přepis se speaker diarization, detekce jazyka
.amr, .aac	Totéž — typické formáty hlasových poznámek

Audio se přepisuje lokálním modelem v self-hosted nasazeních a přes StellarCloud v managed režimu. Speaker diarization spolehlivě funguje pro až ~8 odlišných mluvčích.

Video

Formát	Co extrahujeme
.mp4, .mov, .mkv, .webm, .avi	Audio přepis, samply snímků (1 snímek / 5–30 s, konfigurovatelně), OCR na každém samplu, detekce scén

E-mail

Formát	Co extrahujeme
.eml	Hlavičky, tělo (text + HTML), přílohy (rekurzivně parsované), inline obrázky
.mbox	Totéž, rozpadlé per zpráva
.msg (Outlook)	Totéž, plus Outlook-specifické vlastnosti

Exporty z chatů

Formát	Zdroj
Slack export ZIP	Kanály, vlákna, soubory
Teams export	Kanály, chaty, přepisy
WhatsApp export	Logy konverzací (se souhlasem)
Discord export	Servery, kanály, vlákna

Strukturovaná data

Formát	Co extrahujeme
.csv, .tsv	Hlavičky, řádky, s odhadem typů
.json, .jsonl	Hierarchická struktura zachována
.xml	Stromová struktura, atributy, namespaces
.yaml, .toml	Konfigurační data
.parquet	Sloupcová data, statistiky — na roadmapě, bez pevného data
.feather, .arrow	Totéž — na roadmapě, bez pevného data

Kód a logy

Jakýkoli plain-text zdrojový soubor (Python, JS/TS, Go, Rust, Java, C/C++, SQL, R, MATLAB, shell atd.) je parsován se syntax-aware chunkingem. Komentáře, docstringy a podpisy funkcí se extrahují jako samostatné prohledávatelné jednotky.

Log soubory: standardní formáty (Apache, nginx, syslog, JSON logy, strukturované logy) se parsují na události s polem timestamp, severity a message.

Doménově specifické

Formát	Obor
DICOM	Lékařské zobrazování — pixelová data + strukturovaná metadata
HL7 v2 / FHIR	Zdravotnické záznamy
STEP, IGES, DXF	CAD — textové anotace + geometrická struktura
SHP, GeoJSON, KML	Geografické — features + atributy
BibTeX, RIS, EndNote XML	Exporty z reference managerů
EDIFACT, X12	Business EDI
SWIFT zprávy	Finanční transakce

Komprimované archivy

Automaticky rozbalené a rekurzivně zpracované: .zip, .tar, .tar.gz, .tar.bz2, .7z, .rar.

Co (zatím) nepodporujeme

• Šifrované dokumenty — dodejte heslo při ingestu nebo dešifrujte před uploadem
• DRM-chráněné formáty — záměrně
• Proprietární formáty bez publikované specifikace — na žádost přes podporu; mnoho lze přidat na vyžádání

Očekávání kvality

Kvalita extrakce závisí na formátu:

Formát	Typická kvalita
Born-digital PDF, .docx, .xlsx	Téměř perfektní
Vysoce kvalitní skeny (300+ DPI)	95 %+ přesnost znaků
Fotky dokumentů z mobilu	90–95 % s korekcemi
Audio (čisté, jeden mluvčí)	95 %+ přesnost slov
Audio (víc mluvčích, šum)	80–90 %
Rukopis (čistý)	85–90 %
Rukopis (psací písmo)	60–80 % — variabilní

Confidence skóre jsou vystavená pro downstream filtrování. Low-confidence oblasti lze směrovat na human review.

Související

• StellarOCR — engine za parsováním dokumentů
• Datové zdroje — konektory dodávající tyto soubory