文件扩展名只是入口，能否获得可靠内容还取决于文件内部结构、生成软件、字体、清晰度、是否加密以及是否损坏。因此，“支持格式”表示平台为该类型提供处理链路，不等于任何同扩展名文件都能无条件成功解析。
文档与图片解析白名单
| 类别 | 扩展名 | 处理说明 |
|---|---|---|
| 解析文字与页面版面；扫描页可进入视觉模型处理 | ||
| 现代文字文档 | .docx | 提取文档结构与内容，并可结合视觉处理页面元素 |
| 旧版 / WPS 文字 | .doc、.wps | 在离线环境用 LibreOffice 转换为 DOCX 后解析 |
| 现代演示文稿 | .pptx | 提取幻灯片页面与文字内容 |
| 旧版 / WPS 演示 | .ppt、.dps | 离线转换为 PPTX 后解析 |
| 现代电子表格 | .xlsx | 提取工作表并物化为可查询数据表 |
| 旧版 / WPS 表格 | .xls、.et | 离线转换为 XLSX 后解析 |
| 分隔数据 | .csv | 按表格数据解析并进入数据物化流程 |
| 图片 | .png、.jpg、.jpeg | 通过视觉模型提取文字与页面内容 |
| 纯文本 | .txt、.md | 按文本或 Markdown 直接读取并切分 |
录音上传格式
| 入口 | 扩展名 / 容器 | 说明 |
|---|---|---|
| 录音文件上传 | .m4a、.mp3、.wav | 前端当前接受的批量上传格式；服务端转为 16 kHz 单声道 WAV 后执行语音识别 |
| 浏览器实时音频 | WebM / Opus 流 | 由浏览器实时发送，服务端解码、检测句子并逐句返回；不是普通文件上传白名单 |
底层音频解码器可能能读取更多容器，但产品前端白名单以 M4A、MP3、WAV 为准。项目如需其他格式，应先确认采样率、声道、编码和浏览器端流程，不应仅依据解码库能力承诺。
常见失败原因
- 文件使用密码保护、数字权限管理或损坏的压缩结构，解析器无法读取正文。
- 扩展名与真实内容不一致；平台会识别部分旧版 Office 伪装为现代格式的情况，但其他错配仍可能失败。
- WPS、旧 Office 或特殊软件生成的二进制文件超出 LibreOffice 兼容范围。
- 扫描图分辨率过低、严重倾斜、反光、阴影、手写或压缩噪声导致视觉识别不稳定。
- CSV 编码、分隔符或引号不规范；电子表格包含复杂宏、外部链接或特殊对象。
- 录音存在多人重叠、远场拾音、强混响或背景噪声，影响转写与说话人结果。
项目验收建议
- 按真实存量占比抽取样本，不只选择最清晰、最简单的文件。
- 为每类文件记录生成软件、大小、页数、是否扫描和预期关键内容。
- 分别检查解析成功率、文字、阅读顺序、表格结构、页面定位和失败提示。
- 将未通过样本分类为源文件问题、格式不支持、解析错误或模型识别偏差，再确定处理策略。