ai.

Munkafolyamatok

Beszédfelismerés, intelligens OCR és hangvezérelt folyamatok

A legtöbb vállalkozásban az adminisztráció legnagyobb gátja a billentyűzet: a terepen lévő szakemberek, szerelők, építésvezetők, raktárosok, sofőrök és a folyton úton lévő cégvezetők nem tudnak gépelni munka közben. Az eredmény: kézzel firkált, elvesző fecnik, elfelejtett feladatok, késő esti kimerítő adatrögzítés. A régi OCR (Abbyy, Tesseract) csődöt mond gyűrött, ferde vagy kézírásos papíron; a multimodális vision AI és a valós idejű beszédfelismerés a hangot és a kamerát teszi a leggyorsabb üzleti beviteli eszközzé.

  • Beszédből szöveg 99%-os pontossággal, kiszűrve az autó menetzaját
  • Hangvezérelt komissiózás: 30–40%-kal gyorsabb raktári összekészítés, nulla félregépelés, drága szkennerek nélkül

Receptek ebben a kategóriában

  1. 01

    Hangjegyzetből teljes rendszerfolyamat (voice-to-action)

    A tárgyalás után a szakember beül az autóba, megnyomja a hangrögzítőt WhatsAppon, Telegramon vagy az okosórán, és 45 másodpercben elmondja: „Beszéltem a Horváth Kft-vel, kérnek egy 120 ezer forintos karbantartási ajánlatot jövő hét péntekre, a kapcsolattartó Horváth Béla, 30-987-6543, számlázási cím Győr, Fő tér 4.” Whisper + Claude + n8n 99%-os pontossággal leír az autó menetzaja nélkül, entitásokat nyer ki, létrehozza a partnert a MiniCRM/HubSpotban, beállítja a határidős feladatot, legenerálja az ajánlat piszkozatát a Billingóban/Számlázz.hu-ban, és öt szóban visszajelez: „Horváth Kft ajánlat rögzítve, naptár beállítva!”.

    Whisper · Claude · n8n · Telegram · MiniCRM · Billingo

  2. 02

    Kézírás-felismerés és munkalap digitalizálás

    Szervizesek, építésvezetők, felmérők, orvosok sokszor kézzel kitöltött nyomtatványokkal, jegyzőkönyvekkel dolgoznak a helyszínen. A multimodális vision AI kontextusában olvassa a ferdén fotózott, gyűrött papírt és a nehezen olvasható kézírást, kinyeri a bejelölt mezőket, mért értékeket, felhasznált anyagokat és az ügyfél aláírását, és a feltöltés után 5 másodperccel kész a hivatalos digitális PDF-jegyzőkönyv, az adat az ERP-ben, a megrendelő pedig e-mailben kapja a munkalapot.

    Claude Vision · n8n · APITemplate.io

  3. 03

    Raktári és műhely hangvezérlés (hands-free komissiózás és leltár)

    Raktárosoknak, csomagolóknak, gépkezelőknek, összeszerelőknek, akiknek mindkét keze foglalt. Vezeték nélküli fülhallgatón: „C-14-es polc, kivéve 10 darab rézcsapágy.” Az AI ellenőrzi az ERP-t vagy WMS-t, és a fülébe mondja: „Rögzítve.

    Deepgram · ElevenLabs · n8n

  4. 04

    Költségelszámolás és blokk-feldolgozás (egy fotó, azonnali elszámolás)

    Vége a hó végi rémálomnak, a nejlonszatyornyi gyűrött parkolócetlinek, benzinkúti blokknak és éttermi számlának. A munkatárs fizetéskor lefotózza a blokkot a céges appban vagy Telegram-botban; a vision AI kinyeri a kereskedő nevét és adószámát (Shell, MOL, étterem), a dátumot és időpontot, a bruttó összeget, áfakulcsot és áfatartalmat, a tétel típusát (üzemanyag, reprezentáció, autópálya-matrica), hozzárendeli a munkatárshoz, beemeli a havi költségelszámolási táblázatba és egyezteti a céges bankkártya költéseivel.

    Claude Vision · Telegram Bot API · Google Sheets

  5. 05

    Valós idejű hangparancs-vezérlés a vezetőnek („Jarvis”)

    Kormány mögül irányított cég, a telefon érintése nélkül: „Mekkora volt a tegnapi árbevételünk a webshopban?” → az AI lekérdezi az adatbázist és élőszóban válaszol: „A tegnapi napon 1 450 000 Ft árbevétel keletkezett 38 megrendelésből.” „Küldj egy emlékeztetőt Annának a pénzügyre, hogy délután 2-ig küldje át a lízingszerződést!” → Slack/Teams üzenet elküldve. „Tedd át a holnapi 10 órás megbeszélést csütörtök 14 órára!” → naptár frissül, résztvevők értesítve.

    Whisper · Claude · ElevenLabs · Slack · Google Calendar

  6. 06

    Képből cikkszám és alkatrész azonosítás

    A szerelő egy régi, elkopott, felirat nélküli csapteleppel, szivattyúval, villanymotorral találkozik. A mobilfotó alapján a vision AI összeveti a formát, a csatlakozókat és a látható töredékes kódokat a beszállítói robbantott ábrákkal és katalógusokkal, és azonnal kidobja a pontos típusszámot, az aktuális raktárkészletet, az árat és az esetleges modern helyettesítő termékeket.

    Claude Vision · n8n

  7. 07

    Telefonos hang-biometria és minőségbiztosítás (voice QA és sentiment)

    Minden ügyfélszolgálati és értékesítési hívás automatikus auditja: a hangmagasság, hangerő és beszédtempó alapján frusztrációt észlel, riasztást küld a műszakvezetőnek vagy sürgős visszahívásra jelöli a hívást; kiszűri, ha az értékesítő a szerződési feltételektől eltérőt ígért (compliance ellenőrzés); magas biztonsági kockázatú ügyekben a telefonáló hangmintázatát veti össze csalás elkerülésére.

    Deepgram · Claude · n8n

Ajánlott eszközkészlet

SzerepkörEszközökMiért
Beszédfelismerés (STT)OpenAI Whisper API, Deepgram Nova-2Zajszűrés, akcentusok, tökéletes magyar leirat
Multimodális vision OCRClaude Vision, GPT-4o VisionKézírás, gyűrött papír, blokkok és műszaki táblák kontextuális olvasása
Természetes hangszintézis (TTS)ElevenLabs, OpenAI Audio TTSEmberi intonáció a hands-free visszajelzéshez
Mobil hangbeviteli interfészekTelegram Bot API, WhatsApp Cloud APINulla appfejlesztés: a dolgozók a megszokott csevegőkben küldik a hangot
Orkesztráció és integráción8n, MakeA felismert adat a CRM-be, számlázóba, ERP-be

Forrás: AI Automatizáció Piackutatási Jelentés és Gyakorlati Útmutató (2025–2026)

Van ilyen folyamatod? Mesélj róla.

Hívást kérek