문서 변환 도구 docling이 PDF에 담긴 그림을 직접 꺼내는 기능과 애플 실리콘용 음성 인식 엔진을 추가했다. 문서 변환을 자동화하는 개발자는 새 처리 방식을 선택할 수 있고, 명령줄에서 무시되던 잘못된 모델 설정도 오류나 경고로 확인하게 된다.

1. 모델 지정만으로 처리 경로를 선택한다

2026년 11월 8일 공개된 이번 버전은 시각 언어 모델을 지정하면 해당 처리 경로를 자동 선택한다. 시각 언어 모델은 페이지 이미지를 읽어 텍스트로 바꾸는 데 쓰인다. 이전에는 처리 경로를 따로 고르지 않으면 모델 지정이 무시됐지만, 이제 모델과 맞지 않는 경로를 함께 지정하면 오류가 난다. 아무 옵션도 주지 않으면 표준 경로를 유지한다.

여러 형식이 섞인 폴더에서는 두 종류의 모델을 지정하고 처리 경로는 따로 고르지 않아도 된다. 이때 PDF와 그림에는 시각 언어 모델을, 오디오에는 음성 모델을 쓴다. 음성 모델을 PDF에 지정하면 기존 변환을 진행하면서 경고하고, 음성 전용 경로에 PDF만 넣으면 허용 형식이 아니라는 오류를 낸다.

바뀐 규칙은 잘못된 조합을 더 일찍 드러내는 대신, 기존 자동화가 기대하던 묵시적 동작을 바꿀 수 있다. 명령줄 자동화에서는 파이프라인과 입력 형식의 조합을 살펴야 한다.

2. PDF 그림 항목은 내장 이미지를 선택해 쓴다

표준 PDF 변환은 보통 페이지를 이미지로 만든 뒤 그림 영역을 잘라낸다. 새 선택 기능을 켜면 영역 안에 안전하게 추출할 수 있는 이미지 하나가 있을 때 내장 이미지를 직접 꺼낸다. 원래 픽셀 크기를 유지하므로 페이지 렌더링, 페이지를 이미지로 바꾸는 과정과 자르기 과정의 화질 손실을 피할 수 있다. pypdfium2와 docling_parse 백엔드, 변환을 실제 수행하는 구성 요소가 지원한다.

이미지와 그림 영역이 서로 80% 이상 겹치는지를 확인해 짝을 찾는다. 작성자는 이 기준을 임의로 정했으며 시험에서 잘 작동했다고 설명했다. 글자나 벡터 도형, 선과 면으로 표현한 그림 등이 섞여 직접 추출하기 어려운 영역은 기존 방식으로 잘라내며, 변경 대상은 그림 항목이다.

3. 애플 실리콘에서 mlx-audio를 음성 인식에 쓴다

새 mlx-audio 백엔드는 애플 실리콘에서 토치 없이 음성 인식을 실행한다. 지원 모델 일부는 기기와 설치 패키지, 변환된 모델의 제공 여부, 장치 설정에 따라 이 엔진을 자동 선택한다. 해당 모델은 자동 전환 조건을 충족하지 않으면 Transformers를 쓰며, 기존 엔진으로 고정하는 사전 설정인 프리셋도 추가됐다.

Granite 음성 모델은 시간 정보를 직접 반환하지 않아, 이제 두 엔진 모두 녹음을 쉼 지점에서 약 30초씩, 20~40초 구간으로 나누고 구간별 시간을 붙인다. Transformers에서 생성 한도가 녹음 전체에 적용돼 텍스트가 잘리던 문제도 고쳤다.

변경 제안서에 따르면 Granite Speech 5.0 2B는 기존 생성 토큰 한도 256에서 3분 녹음의 약 3,300자 중 1,227자만 남기고도 성공으로 보고했다. 새 기본 한도는 1024로 높아졌고 구간마다 적용된다. 긴 녹음을 처리할 때 출력 누락을 줄이기 위한 수정이다.

선택 폭이 넓어진 대가로 docling[asr]는 설치 용량이 커지고 애플 실리콘에서 macOS 14 이상을 요구한다. 형식 지원만 필요한 경우 docling[audio]는 macOS 13에도 설치할 수 있다.

명령 docling models는 모델별 엔진 목록과 현재 기기에서 자동 선택되는 엔진을 보여 준다. 새 엔진 도입 전에 실행 경로를 확인하는 데 쓸 수 있다.

4. OCR 전용 모델을 시각 언어 경로에 추가했다

새 프리셋은 영어·중국어 문서의 문자를 인식하는 13억 매개변수 모델 MiniCPM-OCR 1.0을 연결한다. 단어·줄의 위치 좌표 대신 페이지 전체의 텍스트와 마크다운을 반환하므로 시각 언어 모델 경로에 통합했다.

모델 카드에서 가져온 반복 방지 설정도 포함한다. 변경 제안서에서는 이 설정이 없으면 글자가 빽빽한 시험 페이지에서 같은 텍스트가 반복됐으나, 적용 후 같은 두 쪽짜리 PDF가 정상 완료됐다고 설명한다. 로컬 실행에는 Transformers 5.21.0 이상이 필요하다.

파이썬에서는 다음처럼 프리셋을 옵션으로 만든 뒤 변환기에 연결한다.

from docling.datamodel.pipeline_options import VlmConvertOptions, VlmPipelineOptions

pipeline_options = VlmPipelineOptions(
    vlm_options=VlmConvertOptions.from_preset("minicpm_ocr"),
)

5. 문서 파서의 변환 오류도 바로잡았다

마크다운은 세미콜론으로 끝나는 유효한 문자 참조, 기호를 문자로 바꾸는 표기만 해석한다. 백슬래시로 특수 문자를 표시한 문자열도 주변 글과 한 항목으로 유지한다.

학술 문서 형식인 JATS에서는 그림으로 실린 표와 그 설명을 보존하며, 일반 표의 각주도 연결한다.

HTML은 그림 설명을 해당 그림에 붙이고 한 블록 안에 나뉜 코드 태그를 합친다. 문서 구조를 보존해 설명이나 코드가 따로 떨어지던 문제를 줄인다.

이번 버전의 실용적 가치는 모델 선택을 실제 처리 경로에 반영하고, 그림 원본과 긴 녹음의 텍스트를 더 온전히 보존하는 데 있다.