探索案例地圖

案例筆記 · Blue Machines AI

金融語音辨識,錯在數字上才是真的錯

銀行、貸款、保險、催收與客服的多語與混語電話轉錄,重點辨識金額、利率、保單號、帳號與交易 ID

市場動態
事件 晨報 客戶與收益

技術與做法

Aurora 針對印度英語、Hindi、Hinglish、背景噪音與低頻寬電話優化;可部署於雲端、企業 VPC 或 On-prem,亦可用客戶授權資料微調

商業與財務影響

尚無獨立成效驗證

公司內部基準:Semantic WER 為英文 1.51%、Hindi 2.43%、多語 5.52%,BFSI Entity Error Rate 4.23%;每張 H100 於不同延遲設定支援 960 或 2,400 個即時串流,微調後特定資料集錯誤相對下降 40–45%。均非客戶生產環境成果

原始證據說明:公司揭露 · 內部基準

進展與應用地點

產品發布(原始記載:產品發布)

印度

以模型優化與服務對象所在的印度 BFSI 市場為地點

延伸研究

財務 Agent 的 Eval 不該只看整句轉錄正確率,而要給金額、日期、利率、帳號更高權重;同樣適用發票 OCR、財報 tie-out 與催收承諾擷取

研究切入點,非來源已證實成果

來源與核對

所有指標皆為公司內部基準,非客戶生產環境成果,未經獨立稽核

來源性質:媒體報導。來源核對不等於成效已獨立驗證

Express Computer 報導

收錄自:每日財經科技研究