夜雨聆风需求背景
银行对网点服务有一套很细的标准化要求：客户经理的仪容仪表（工牌、工装）、问候话术、服务动作（起立迎送、双手递接这类），都有明确规定。这套规范，是银行服务体验和品牌形象的底线。
问题是怎么查。现在主要靠人工抽检录像、神秘客暗访——一个支行一天的服务录像就有几十上百小时，人根本看不过来。结果就是抽检覆盖率低、判断主观、发现滞后，规范执行很大程度靠自觉，培训改进也缺数据支撑。
而现在，多模态大模型已经能"看懂"一段视频里发生了什么——谁、在做什么、穿没穿规范、说没说该说的话。过去做不了或太贵的视频质检，现在能客观、批量地做了。
痛点不在"有没有规范"，在"规范有没有被执行、怎么客观高效地查、查完怎么帮人改进"。
客户背景
这次的客户是一家银行，有大量网点和客户经理，每天产生海量服务录像。
诉求很具体：部署一个 AI 模型，自动检查客户经理接待客户的服务录像，看肢体动作、问候交流、穿着佩戴是否符合银行规定。还特别问了两件事——这个项目 AI 怎么实现，以及部署和训练时间怎么规划。
有一条硬约束：银行数据，必须私有化部署，录像不能出行。
客户要的不是再招一批质检员，是一套能客观、全量、可追溯地看录像，并且能落到培训改进的 AI 质检系统。
解决方案
核心思路：在行内私有化部署一套"视觉 + 语音"的多模型流水线，把录像自动拆成"看动作、看穿戴、听话术"三件事，对照银行规范逐项打分，输出可复核的报告。全程在行内，录像不出行。
先看整条流水线：
服务录像 AI 质检的视觉 + 语音多模型流水线
一、看穿着佩戴、看肢体动作（视觉）
YOLO 目标检测：识别画面里的人、工牌、工装，查穿着佩戴是否规范 RTMPose 姿态估计：识别肢体动作，比如是否起立迎送、是否双手递接 ByteTrack 多目标跟踪：在录像里持续跟住同一个人，把一次完整接待串起来 Qwen3-VL 视觉语言模型（开源）：负责"是否符合规范"这类需要语义理解的复杂判断
二、听问候交流（语音）
FunASR / Paraformer 语音识别：把接待对话转成文字 话术规范比对：对照银行的话术规范库，检查问候、礼貌用语、必说流程是否到位
三、对照规范、打分、出报告
把视觉和语音的结果对照银行的服务规范，逐项打分、标记不符合项、定位到具体时间点和片段，生成可复核的质检报告。关键一步：AI 只出疑似项，人工复核确认，再用于培训反馈——不直接给员工定性。
四、部署和训练时间怎么规划
这是客户特别关心的。我的建议是分三阶段，稳扎稳打：
部署与训练时间规划：POC → 试点 → 全量
POC 验证（6–8 周）：用少量真实录像加银行规范，跑通核心链路，验证识别准确率，出可行性报告 试点上线（3–4 个月）：选几个网点小范围上线，用真实数据持续微调模型——尤其是这家银行自己的着装、动作、话术规范——跑通"质检→复核→培训"的闭环 全量推广（6 个月+）：扩展到更多网点和更多规范项，形成常态化质检
为什么时间主要花在中间：通用的视觉、语音模型开箱即用，能解决大半问题；但"是否符合这家银行的具体规范"，得用真实数据去微调和打磨，这才是时间真正花的地方。
五、合规边界（银行 + 员工录像，这块尤其重要）
定位是培训质检，不是监控抓人：系统服务于服务质量提升和培训改进，不作为处罚的唯一依据；AI 出疑似项、人工复核，给员工的是改进反馈 员工知情合规：涉及员工的录像和数据使用，依法告知、合规处理 客户隐私保护：录像里有客户的人脸和业务信息，严格保护、最小必要、按需脱敏，绝不外泄 数据不出行：整套私有化部署在行内，录像和模型都不出银行内网，符合金融数据安全要求
正确姿势：AI 把"看录像"这件重活客观高效地做了，但定性、处理、对人的反馈，始终有人把关——系统是帮人变好，不是替人抓错。
市场前景
这套东西，远不止一家银行能用。
银行与服务业的盘子（数据：金融监管总局 / 中国银行业协会 2025）
先看盘子：全国银行网点超过 20 万个，九成以上已经智能化（智能柜员机覆盖），数字化基础早就铺好了。而银行业务离柜率已达 93.86%——大量业务搬到了线上，留在线下网点的，反而是更重"服务体验"的高价值接待，服务合规也就更值钱。
再看可迁移：这套"看视频查服务规范"的能力，凡是有仪容仪表、服务话术、流程合规要求的线下场景都能套——保险和证券营业部、政务大厅、医院导诊、4S 店、连锁零售和餐饮、营业厅、机场酒店等等。
主场景：银行网点——20 万+，服务标准化要求高、有预算、数据合规刚需强 可迁移：任何"靠人盯录像查服务规范"的线下服务业，都是同一套逻辑 本质：多模态大模型让"看懂视频"成本大降，过去太贵做不了的视频质检，现在能私有化、批量、客观地做了
一家银行的服务质检是起点。真正的盘子，是所有"服务靠规范、规范靠人盯"的线下行业，都到了能用 AI 客观质检的节点。
觉得有用的话，点个赞或者在看。点这里，可私聊。