图文语音多模态应用搭建与成本手册.docx

图文语音多模态应用搭建与成本测算实操手册

（AI工具与办公技能·实测数据与操作步骤为据）

第一章多模态能替人做什么

多模态应用是把文本、图像、语音揉进一条流程里干活。真正省人力的是三类：看懂（票据、证照、图表识别）、听清（语音转文字再理解）、说准（文字合成语音播报或客服应答）。单看模型识别率不惊艳，但接进业务流程替代一整段人工，收益就出来了。多模态的作用在流程替代不在单点识别。

某财务报销场景，人工录一张发票要90秒、错录率6%，多模态先识图抽字段、再校验，一张平均5秒、字段准确率92%，月处理6000张，录入工时从150小时降到约8小时，错录引起的返工也大幅减少。

表1-1多模态任务