Document Digitization and Intelligent Archiving: A Digital Transformation Solution Powered by Dual OCR and ASR Engines

許多企業仍有大量紙本文件與語音檔案難以有效管理與利用。LargitData 結合 OCR 光學字元辨識與 ASR 語音轉文字技術，協助企業將各類型資料逐步數位化，建立可搜尋、可分析的檔案系統。

Challenges in Enterprise Document Management

Despite years of digital transformation momentum, many enterprises — particularly in financial services, healthcare, government, and manufacturing — still maintain large volumes of paper documents. Contracts, invoices, reports, medical records, meeting minutes, and handwritten notes accumulate in filing rooms, consuming valuable physical space and facing the risk of deterioration and damage over time.

The most critical problem with paper documents is that they are unsearchable. When a specific contract clause or historical record needs to be retrieved, employees must spend significant time manually sifting through files — an extremely inefficient process. More significantly, a great deal of valuable content from meetings, client interviews, and expert consultations exists only as audio recordings that have never been transcribed, leaving this information as a "dormant asset" that cannot be effectively retrieved or utilized.

傳統的文件數位化方式——掃描加人工輸入——不僅成本高昂，而且速度緩慢、容易出錯。歷史文件的數位化究竟需要多久，並沒有一個通用答案：實際工期取決於總頁數、原件的保存品質與掃描解析度、文件版型的複雜程度（純文字段落遠比多欄表格容易處理）、需要擷取的欄位數量，以及最關鍵的一項——人工覆核的比例。若專案要求每一頁都經人工逐字校對，工期會由校對人力而非機器產能決定。因此規劃階段應先以抽樣試作估算單頁處理成本，再回推整體排程，而不是直接套用他人的工期經驗。

語音內容則有另一套難題。傳統語音辨識系統在面對中文口語、夾雜英文的專業術語、多人重疊發言或會議室回音等情境時，辨識品質往往不如安靜環境下的單人朗讀。這代表導入前必須先確認實際的錄音條件，而不是只看廠商在理想條件下的展示。

Furthermore, even after scanning is complete, without OCR processing the resulting files remain mere images — full-text search and data extraction are still impossible, significantly undermining the value of the digitization effort.

Digitization Solution with Dual OCR and ASR Engines

LargitData 提供 OCR（光學字元辨識）與 ASR（自動語音辨識）兩大 AI 技術引擎，協助企業將紙本與語音資料轉為可檢索的數位內容。

在紙本文件數位化方面，LargitData OCR 引擎採用深度學習技術，可辨識印刷體與手寫體的繁體中文、簡體中文、英文、日文等文字。系統支援處理合約、發票、報表、表格、證件、手寫表單等常見文件類型，並可分析文件的版面配置，在多數情況下保留原始的段落與欄位結構。辨識後的文字可輸出為可搜尋的 PDF、Word、Excel 等格式，方便後續的管理與利用。實際可達到的辨識品質與版面還原程度，會隨文件型態不同而有差異，建議以貴司自有的樣本進行試作驗證。

在語音內容數位化方面，LargitData ASR 引擎運用端到端（End-to-End）的深度學習模型，支援中文（含台灣國語腔調）、英文、日文等語音辨識。系統能夠處理會議錄音、訪談紀錄、客服通話、教育訓練影片等各類語音檔案，自動轉錄為結構化的逐字稿。ASR 引擎也提供說話者分離（Speaker Diarization）功能，在錄音條件良好、發言者輪流講話的情況下可標記不同說話者；當多人同時發言、麥克風距離差異大或發言者聲音相近時，分離結果仍需人工確認。

Most importantly, the text content produced by OCR and ASR can be further ingested into the RAGi enterprise knowledge base, transforming previously dormant information into knowledge assets that AI can retrieve and utilize — realizing the full value of digitization.

辨識品質該怎麼衡量：先問清楚指標的定義

評估 OCR 與 ASR 時最常見的溝通落差，是買賣雙方講的「準確率」根本不是同一件事。廠商簡報上的高分往往來自乾淨的印刷體測試集，而企業真正在意的是「這張發票的統一編號有沒有抓對」。因此在比較任何數字之前，請先確認指標的定義與計算口徑。

CER 與欄位擷取正確率的差距經常大得驚人：一份文件即使字元層級只有少數錯誤，只要錯的位置落在金額或編號上，欄位層級就會被判為失敗。反過來說，密密麻麻的說明段落即使錯了幾個字，也不影響後續的檢索與判讀。導入前應該先界定「哪些欄位錯了會造成實質損失」，並以那些欄位的正確率作為驗收標準。

測試集的設計同樣重要。一份有意義的測試集應該從貴司實際的檔案庫隨機抽樣，涵蓋不同年代、不同來源與不同保存狀況的文件，而不是挑選狀態最好的樣張；樣本數要足以讓結果穩定，並且明確記錄標準答案由誰標註、遇到模糊字跡時的判定原則。測試集也應與任何用於模型微調的資料分開，否則測出來的分數只反映記憶而非泛化能力。

實務上最容易失分的幾種文件

• 表格與跨頁續表：儲存格合併、無框線表格、跨頁延續的表頭，都可能讓結構還原出錯，導致欄位對應錯位。
• 手寫內容：個人筆跡差異極大，草寫、連筆、塗改與簽名區塊的表現落差最明顯，通常需要保留人工覆核。
• 印章、浮水印與騎縫章：紅色印文疊在文字上會干擾字元切割，是合約與公文類文件的常見失分點。
• 低解析度掃描與多代複印件：解析度不足、對比度偏低或已複印多次的文件，資訊在成像階段就已流失，後端演算法難以補回。
• 歪斜、摺痕與裝訂陰影：老舊卷宗常見的物理狀況，會影響版面偵測，前處理的校正品質往往比辨識模型本身更關鍵。
• 專有名詞與罕用字：人名、地名、藥品名、法規簡稱與異體字，若未建立詞彙表，容易被辨識成形近的常用字。

評估供應商時建議提出的問題

• 請用我們提供的樣本做試作，並說明測試集的樣本數、抽樣方式與標準答案的標註方法。
• 報告中的準確率是字元層級還是欄位層級？計算時是否已排除空白頁或無法辨識的頁面？
• 手寫、表格、蓋章、低解析度這幾類樣本的表現分別如何？可否提供分類統計而非單一總分？
• 系統是否提供信心分數，讓低信心的結果自動轉人工覆核？門檻可否由我們調整？
• 自訂詞彙表、模型微調需要多少標註資料與時間？微調後的模型所有權與存放位置為何？
• 批次處理的吞吐量在什麼硬體規格下量測？併發與尖峰時段的表現如何？
• 地端部署時，資料流向、暫存檔清理與存取紀錄如何呈現給稽核？

Core Features of LargitData Document Digitization

• 多語系 OCR 辨識：採用深度學習技術，支援繁體中文、簡體中文、英文、日文等辨識，涵蓋印刷體與手寫體；實際辨識品質依文件型態與掃描條件而定，建議以自有樣本試作驗證。
• Multi-Format Document Support：可處理合約、發票、表格、報表、證件、手寫表單等各類文件，分析版面配置並盡可能保留排版結構。
• ASR Speech-to-Text: The ASR engine supports speech recognition in Mandarin Chinese (including Taiwan accent), English, and Japanese, and can process meeting recordings, interviews, phone calls, and other audio files.
• Speaker Diarization：可標記語音中不同的說話者，產出區分發言者的逐字稿；重疊發言與收音條件不佳的段落仍建議人工確認。
• Batch Processing Capability: Supports automated batch processing of large volumes of documents and audio files, suitable for large-scale historical document digitization projects.
• 信心分數與人工覆核流程：可依欄位設定信心門檻，低於門檻的結果自動進入覆核佇列，讓人力集中在真正需要判讀的部分。
• Knowledge Base Integration: Text content converted by OCR and ASR can be directly ingested into the RAGi knowledge base, enabling AI-powered full-text search and intelligent Q&A.

Expected Outcomes and Benefits

導入 LargitData 文件數位化方案後，企業可預期以下方向的改善；實際幅度取決於文件品質、欄位需求與人工覆核比例，建議以試作階段的量測結果作為評估依據：

• 將紙本文件與語音資料轉換為可搜尋的數位資產，釋放沉睡的資訊價值
• 文件調閱從翻找實體檔案改為全文搜尋，縮短查找所需的時間與人力
• Reduce physical storage space requirements and minimize the risk of paper deterioration and damage
• 將會議紀錄、訪談內容自動轉錄為結構化文字，降低重要資訊遺漏的機會
• Digitized content can be further imported into an AI knowledge base to enable intelligent information management and utilization
• 可配合文件保存與數位備份的相關要求進行規劃，實際是否符合仍需依適用法規與稽核設定逐項驗證

關於文件保存年限、電子檔案的證據能力與受規管產業的委外要求，會因資料類型、產業別與部署方式而不同；相關條文可查詢全國法規資料庫：law.moj.gov.tw。實際適用範圍與作業要求，仍應以主管機關最新公告及貴機關（或貴公司法務）認定為準。