图片与语音进入业务流程前，需要经过识别、确认和字段转换。机器提取的文字可以辅助录入，关键资料则要标明确认状态，人员还应能够回看原输入和修正过程。

业务目标

明确输入用于资料识别、内容问答还是交互服务，不同目标需要不同的输出格式。先确定可接受的结果与人工核对方式，再设计复杂交互界面。

输入检查

控制文件类型、大小与处理权限，保留必要的来源信息。提取文字或识别结果可能出错，需要在关键业务中提供核对与修正入口。

输出边界

系统应说明哪些内容来自识别、哪些属于模型生成，不能把生成描述直接当作客观记录。涉及业务执行时，仍要经过规则校验与适当确认。

场景核对

例如，图片中的文字提取后需要供业务人员核对，修正结果与原输入保持关联。进入后续审批或数据录入前，系统应区分机器识别内容和已确认的业务资料。

具体验证方法

上传包含识别困难文字的图片，检查原图与提取内容可对照；人工修正保留字段来源；未确认关键值不直接触发受控动作；语音识别失败时有重试或文字补充入口，不能显示空内容却按成功继续。

多模态输入减少录入负担，也应保留可核对的依据。原输入、识别结果和确认值分别关联，后续办理人员才能合理使用已经核实的资料。