---
title: "Beszédfelismerés, intelligens OCR és hangvezérelt folyamatok"
description: "A legtöbb vállalkozásban az adminisztráció legnagyobb gátja a billentyűzet: a terepen lévő szakemberek, szerelők, építésvezetők, raktárosok, sofőrök és a folyto"
canonical: https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control
language: hu
publisher: Céges AI Automatizáció
updated: 2026-09-19
---

# 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.

## Key statistics

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

## Recipes

- [Hangjegyzetből teljes rendszerfolyamat (voice-to-action)](https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control/voice-to-action-audio-ops): 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!”.
- [Kézírás-felismerés és munkalap digitalizálás](https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control/handwritten-ocr-field-inspection): Szervizesek, építésvezetők, felmérők, orvosok sokszor kézzel kitöltött nyomtatványokkal, jegyzőkönyvekkel dolgoznak a helyszínen.
- [Raktári és műhely hangvezérlés (hands-free komissiózás és leltár)](https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control/hands-free-voice-picking): Raktárosoknak, csomagolóknak, gépkezelőknek, összeszerelőknek, akiknek mindkét keze foglalt.
- [Költségelszámolás és blokk-feldolgozás (egy fotó, azonnali elszámolás)](https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control/expense-receipt-scanner): Vége a hó végi rémálomnak, a nejlonszatyornyi gyűrött parkolócetlinek, benzinkúti blokknak és éttermi számlának.
- [Valós idejű hangparancs-vezérlés a vezetőnek („Jarvis”)](https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control/executive-voice-assistant): 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.
- [Képből cikkszám és alkatrész azonosítás](https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control/visual-part-identification): A szerelő egy régi, elkopott, felirat nélküli csapteleppel, szivattyúval, villanymotorral találkozik.
- [Telefonos hang-biometria és minőségbiztosítás (voice QA és sentiment)](https://cegesaiautomatizacio.hu/hu/munkafolyamatok/speech-ocr-voice-control/voice-qa-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..

## Recommended stack

| Role | Tools | Why |
| --- | --- | --- |
| Beszédfelismerés (STT) | OpenAI Whisper API, Deepgram Nova-2 | Zajszűrés, akcentusok, tökéletes magyar leirat |
| Multimodális vision OCR | Claude Vision, GPT-4o Vision | Kézírás, gyűrött papír, blokkok és műszaki táblák kontextuális olvasása |
| Természetes hangszintézis (TTS) | ElevenLabs, OpenAI Audio TTS | Emberi intonáció a hands-free visszajelzéshez |
| Mobil hangbeviteli interfészek | Telegram Bot API, WhatsApp Cloud API | Nulla appfejlesztés: a dolgozók a megszokott csevegőkben küldik a hangot |
| Orkesztráció és integráció | n8n, Make | A felismert adat a CRM-be, számlázóba, ERP-be |