Главная
АИ #47 (333)
Статьи журнала АИ #47 (333)
Мультимодальная интеллектуальная система генерации юридических документов: архит...

Мультимодальная интеллектуальная система генерации юридических документов: архитектура и практическая реализация

Цитирование

Зуйков Н. В. Мультимодальная интеллектуальная система генерации юридических документов: архитектура и практическая реализация // Актуальные исследования. 2026. №47 (333). URL: https://apni.ru/article/16451-multimodalnaya-intellektualnaya-sistema-generacii-yuridicheskih-dokumentov-arhitektura-i-prakticheskaya-realizaciya

Аннотация статьи

Рассматривается задача автоматизации подготовки типовых юридических документов в коммерческой организации. Предложена архитектура мультимодальной интеллектуальной системы, обеспечивающей генерацию документов на основе текстовых, голосовых запросов и фотографий реквизитов. Система реализована в виде Telegram-бота и включает модули распознавания речи (Google Speech-to-Text), оптического распознавания текста (Tesseract OCR с предобработкой OpenCV), извлечения структурированных реквизитов на основе большой языковой модели GigaChat и генерации документов в формате DOCX. Описаны ключевые компоненты: модуль диалога, парсер реквизитов, постобработка на основе регулярных выражений, генератор документов. Приведены результаты экспериментальной проверки на 30 карточках организаций различных организационно-правовых форм. Ключевые реквизиты (ИНН, КПП, ОГРН, банковские счета, БИК) извлечены без ошибок; средняя точность по всем оцениваемым полям составила 99,4%, полностью без ошибок обработано 28 из 30 карточек (93,3%). Практическая значимость подтверждена внедрением системы в ООО «ГЛАВХОЗТОРГ»: время подготовки типовых документов сокращено с 15–20 минут до нескольких секунд.

Текст статьи

В современных коммерческих организациях значительная часть операционной деятельности связана с подготовкой типовых юридических документов: договоров поставки, заявлений, служебных записок, коммерческих предложений. В ООО «ГЛАВХОЗТОРГ», осуществляющем оптовые поставки строительных материалов и санитарно-технического оборудования, ежемесячно формируется около 600 договоров на поставку товара. При ручной подготовке одного договора затрачивается 15–20 минут, что создаёт существенную нагрузку на сотрудников и повышает риск ошибок при переносе реквизитов контрагентов [1, с. 413-435].

Существующие средства автоматизации документооборота ориентированы либо на распознавание текста без его семантического анализа, либо на диалоговые системы без генерации готовых документов. Большинство решений не поддерживают мультимодальный ввод и не адаптированы под русскоязычные юридические документы. Так, движок Tesseract обеспечивает точность распознавания до 95–98% на качественных изображениях, однако при наличии шумов и теней она существенно снижается [4, с. 629-633; 10]. Коммерческие OCR-системы (ABBYY FineReader, Google Cloud Vision) показывают более высокие результаты, но требуют передачи данных на сторонние серверы, что не всегда допустимо с точки зрения информационной безопасности.

В последние годы для задач извлечения структурированных данных из неструктурированного текста активно применяются большие языковые модели (LLM). Систематический обзор их применения в legal domain приведён в [1, с. 413-435], отдельные аспекты юридической NLP рассматриваются в [2]. Среди доступных на российском рынке решений выделяются GigaChat и YandexGPT. GigaChat поддерживает механизм function calling и структурированный вывод в формате JSON [8], что открывает возможности для использования LLM в задачах автоматической генерации документов. Промышленные кейсы совместного применения OCR и GigaChat для извлечения реквизитов описаны в [9]. Вместе с тем, как показал анализ литературы, гибридные подходы, объединяющие OCR, LLM и мультимодальный ввод для генерации юридических документов на русском языке, изучены недостаточно. Отдельные мультимодальные фреймворки документооборота предложены в [5, с. 14359-14360; 6], однако они не ориентированы на русскоязычные юридические документы и, как правило, не поддерживают голосовой ввод.

Цель работы – разработка и экспериментальная проверка мультимодальной интеллектуальной системы генерации типовых юридических документов, обеспечивающей извлечение реквизитов из текстовых и голосовых запросов, а также фотографий, и автоматическое заполнение шаблонов DOCX.

Для достижения цели поставлены следующие задачи:

  1. Проанализировать существующие подходы к автоматизации подготовки юридических документов и обосновать выбор технологий распознавания речи, оптического распознавания текста, извлечения структурированных данных и генерации документов.
  2. Разработать архитектуру мультимодальной системы, объединяющей модуль диалога, модуль распознавания речи, модуль OCR, модуль извлечения реквизитов на основе большой языковой модели и модуль генерации документов.
  3. Реализовать прототип системы в виде Telegram-бота с многошаговым сценарием на основе конечных автоматов и резервным механизмом извлечения реквизитов на основе регулярных выражений.
  4. Провести экспериментальную оценку точности извлечения ключевых реквизитов на выборке карточек организаций различных организационно-правовых форм.
  5. Оценить практический эффект внедрения системы в коммерческой организации по критериям сокращения времени подготовки документов и снижения числа ошибок при переносе реквизитов.

Научно-техническая гипотеза исследования: гибридный подход, объединяющий предобработку изображений, OCR, извлечение реквизитов большой языковой моделью с постобработкой на основе регулярных выражений и резервный regex-парсер, обеспечивает точность извлечения ключевых реквизитов не менее 95% на уровне отдельных полей и не менее 90 % на уровне документов, а также сокращает время подготовки типового договора не менее чем на 90% по сравнению с ручной подготовкой.

Критерии проверки гипотезы:

  • точность извлечения реквизитов на уровне полей – не менее 95%;
  • доля документов, обработанных без ошибок, – не менее 90%;
  • сокращение времени подготовки документа – не менее 90%;
  • сохранение работоспособности при недоступности GigaChat API за счёт резервного парсера (проверяется сценарием отказа).

Предлагаемая система реализована в виде Telegram-бота и включает пять ключевых модулей: модуль диалога, модуль распознавания речи, модуль оптического распознавания текста, модуль извлечения реквизитов на основе GigaChat и модуль генерации документов. Общая архитектура системы представлена на рисунке 1.

image.png

Рис. 1. Архитектура мультимодальной интеллектуальной системы

Модуль диалога реализован с использованием библиотеки aiogram и обеспечивает взаимодействие пользователя с системой. Поддерживаются три канала ввода: текстовый запрос, голосовое сообщение и фотография реквизитов. Бот последовательно проводит пользователя по четырём шагам и на каждом этапе запрашивает один параметр, что снижает риск ошибки при вводе и делает процесс наглядным. Внешний вид диалога с ботом представлен на рисунке 2.

image.png

Рис. 2. Пример диалога пользователя с Telegram-ботом при составлении договора

Для сценария составления договора поставки применён механизм конечных автоматов (Finite State Machine, FSM), встроенный в библиотеку aiogram. Диалог разбит на четыре последовательных состояния: ввод наименования товара, количества, цены за единицу и ожидание фотографии реквизитов контрагента. На каждом шаге система сохраняет введённые пользователем данные в хранилище состояний (MemoryStorage) и переходит в следующее состояние только после получения корректного ответа. Это исключает потерю данных при длительном диалоге и позволяет пользователю в любой момент прервать сценарий командой /cancel. После получения фотографии реквизитов все накопленные данные извлекаются из хранилища и передаются в модуль генерации документа.

Модуль распознавания речи основан на сервисе Google Speech-to-Text. Голосовое сообщение скачивается из Telegram в формате OGG, конвертируется в WAV с помощью FFmpeg и передаётся в сервис распознавания. Полученный текст направляется в модуль извлечения реквизитов. Теоретические основы обработки речи и диалоговых систем изложены в [7].

Модуль оптического распознавания текста выполняет предобработку изображений с использованием библиотеки OpenCV: увеличение разрешения, выравнивание контраста методом CLAHE, бинаризацию методом Оцу и медианную фильтрацию шумов. Обработанное изображение передаётся в Tesseract OCR с русским языком [4, с. 629-633]. Предобработка позволяет повысить точность распознавания даже на фотографиях с неравномерным освещением и тенями; влияние шумов на качество вывода Tesseract и способы его снижения описаны в [10].

Модуль извлечения реквизитов использует большую языковую модель GigaChat. Задача извлечения реквизитов относится к классу legal NER; для русского языка создан датасет RuLegalNER [3, с. 854-857], однако он ориентирован на судебные решения, а не на карточки организаций. Распознанный текст отправляется в модель с детальным промптом, задающим структуру извлекаемых данных в формате JSON [8]. Промышленный опыт аналогичной интеграции OCR и GigaChat описан в [9].

Для повышения отказоустойчивости системы реализован резервный механизм извлечения реквизитов на основе регулярных выражений, используемый при недоступности GigaChat API или при возврате моделью некорректного ответа. Резервный парсер извлекает ИНН, КПП, ОГРН/ОГРНИП, расчётный и корреспондентский счета, БИК, адреса электронной почты и телефоны непосредственно из распознанного текста. Счета определяются по явным меткам «Р/с» и «К/с» с учётом возможных ошибок OCR, что обеспечивает корректное распределение даже при нестандартном форматировании документа. Использование резервного парсера позволяет системе сохранять работоспособность в условиях сетевых сбоев и ограничений на доступ к внешним сервисам.

Модуль генерации документов на основе библиотеки python-docx открывает заранее подготовленный шаблон договора поставки в формате DOCX и выполняет замену плейсхолдеров вида {{name}}, {{inn}}, {{rs}} на извлечённые значения. Реализован обход как обычных параграфов, так и таблиц, что позволяет корректно заполнять реквизиты сторон и спецификацию товара. Шаблоны документов хранятся в базе данных SQLite вместе с описанием их переменных, что позволяет добавлять новые типы документов без изменения программного кода – достаточно загрузить подготовленный шаблон в формате DOCX с разметкой переменных вида {{name}}. Для шаблонов, размеченных в базе данных, GigaChat автоматически подбирает подходящий документ по запросу пользователя.

Разработанная система имеет модульную архитектуру, взаимодействие между пользователем и системой, представлено в таблице 1.

Таблица 1

Компоненты системы и используемые технологии

Этап/компонент

Назначение

Технологии

1. ПользовательОтправляет фото реквизитов + параметры товара–
2. Telegram-бот (FSM)Ведёт диалог, собирает параметры товараAiogram 3 (FSM)
3. Модуль OCRИзвлекает текст из изображения с предобработкойTesseract OCR, OpenCV
4. Модуль LegalParserИзвлекает реквизиты, валидируетGigaChat API
5. Модуль ContractBuilderСопоставляет извлечённые поля с переменными шаблонаPython
6. Модуль CreateDocumentsПодставляет переменные в DOCX-шаблонpython-docx
7. Telegram-бот (отправка)Отправляет пользователю готовый договорAiogram 3
8. Хранилище (опционально)Сохраняет историю генерацийSQLite

Для проверки работоспособности системы подготовлена выборка из 30 тестовых карточек предприятий (25 ЮЛ и 5 ИП). Каждая карточка содержит полный набор полей: наименование, ИНН, КПП (для ЮЛ), ОГРН/ОГРНИП, адрес, счета, БИК, телефон, email, директор. Результаты тестирования отражены в таблице 2.

Таблица 2

Точность по типам полей

Поле

Верно/всего

Точность

Название

30/30

100%

ИНН

30/30

100%

КПП

25/25

100%

ОГРН/ОГРНИП

30/30

100%

Адрес

30/30

100%

Р/с

30/30

100%

К/с

30/30

100%

БИК

30/30

100%

Телефон

29/30

96.7%

Email

29/30

96.7%

Директор

30/30

100%

Средняя точность извлечения реквизитов на уровне полей составила 99,4% (323 корректных значения из 325 проверяемых; КПП оценивался только для 25 ЮЛ). Полностью без ошибок обработаны 28 из 30 карточек (93,3%). Наиболее устойчиво система извлекает ИНН, КПП, ОГРН/ОГРНИП, банковские счета, БИК, адрес и ФИО руководителя – по этим полям ошибок не зафиксировано. Обе ошибки относятся к полям «телефон» и «email» и вызваны распознаванием символов OCR в коротких текстовых строках (например, сочетание «ru» распознано как «mu» в адресе электронной почты). Символьные ошибки в коротких полях не компенсируются контекстом LLM, поскольку модель получает уже искажённый текст. Данный класс ошибок устраним на этапе предобработки изображений или последующей валидации формата email и телефона.

Таким образом, выдвинутая гипотеза подтверждена: точность по полям составила 99,4% (порог – 95%), доля документов без ошибок – 93,3% (порог – 90%), время подготовки документа сократилось более чем на 90% (порог – 90%). Работоспособность при недоступности GigaChat API обеспечивается резервным regex-парсером.

Практическая значимость системы подтверждена её внедрением в ООО «ГЛАВХОЗТОРГ». Время подготовки одного договора поставки сократилось с 15–20 минут до 10–20 секунд, что при объёме около 600 документов в месяц соответствует экономии порядка 150–200 часов рабочего времени ежемесячно. Указанная оценка не учитывает время на проверку сгенерированного документа сотрудником и относится к верхней границе эффекта. Дополнительно снижено количество ошибок при переносе реквизитов контрагентов за счёт автоматического заполнения шаблона.

Передача данных во внешние сервисы (Google Speech-to-Text, GigaChat API [8]) создаёт зависимость от сетевой доступности и требует отдельного анализа с точки зрения защиты информации. Сравнение с альтернативными конфигурациями (OCR + регулярные выражения без LLM) в работе не проводилось; существующие мультимодальные фреймворки [5, с. 14359-14360; 6] также не предоставляют готового baseline для русскоязычных юридических документов.

В работе предложена и реализована мультимодальная интеллектуальная система генерации типовых юридических документов, объединяющая текстовый, голосовой и визуальный каналы ввода. Система реализована в виде Telegram-бота на основе aiogram с многошаговым сценарием на конечных автоматах и включает модули распознавания речи (Google Speech-to-Text), оптического распознавания текста (Tesseract OCR с предобработкой OpenCV), извлечения реквизитов на основе GigaChat с постобработкой регулярными выражениями, резервный regex-парсер и модуль генерации DOCX на основе python-docx.

Экспериментальная проверка на 30 карточках организаций показала точность извлечения реквизитов 99,4% на уровне полей и 93,3% на уровне документов. Внедрение системы в ООО «ГЛАВХОЗТОРГ» сократило время подготовки договора поставки с 15–20 минут до 10–20 секунд.

Дальнейшее развитие предполагает добавление валидации ИНН и ОГРН по контрольной сумме, поддержку PDF-документов, интеграцию с корпоративной информационной системой предприятия, а также количественную оценку голосового канала и сравнительный анализ альтернативных конфигураций.

Список литературы

  1. Yang X., Wang Z., Wang Q., Wei K., Zhang K., Shi J. Large language models for automated Q&A involving legal documents: a survey on algorithms, frameworks and applications // International Journal of Web Information Systems. 2024. Vol. 20, No. 4. P. 413-435. DOI: 10.1108/IJWIS-12-2023-0256.
  2. Sun Z. A short survey of viewing large language models in legal aspect // arXiv preprint arXiv:2303.09136. 2023.
  3. Shaheen Z., Mouromtsev D.I., Postny I. RuLegalNER: a new dataset for Russian legal named entities recognition // Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2023. Vol. 23, No. 4. P. 854-857. DOI: 10.17586/2226-1494-2023-23-4-854-857.
  4. Smith R. An Overview of the Tesseract OCR Engine // Proceedings of the Ninth International Conference on Document Analysis and Recognition (ICDAR 2007). IEEE, 2007. P. 629-633.
  5. IDPFlow: A No-Code Agentic Framework for Multimodal Intelligent Document Processing // Proceedings of the 33rd ACM International Conference on Multimedia (MM ’25). 2025. P. 14359-14360.
  6. UniversalDocAI: Intelligent Multimodal Document Management System Using OCR, RAG, and LLMs. Zenodo, 2025. DOI: 10.5281/zenodo.15027644.
  7. Jurafsky D., Martin J.H. Speech and Language Processing. 3rd ed. draft. Stanford University, 2020. 744 p.
  8. GigaChat API: официальная документация разработчика. URL: https://developers.sber.ru/docs/ru/gigachat/api/overview (дата обращения: 04.10.2026).
  9. ContentCapture + LLM: как мы ускорили работу с неструктурированными документами. 2025. URL: https://habr.com/ru/companies/arppsoft/articles/(дата обращения: 04.10.2026).
  10. Tesseract OCR: Improving the Quality of the Output. URL: https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html (дата обращения: 04.10.2026).

Поделиться

7
Обнаружили грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики)? Напишите письмо в редакцию журнала: info@apni.ru

Похожие статьи

Другие статьи из раздела «Информационные технологии»

Все статьи выпуска
Актуальные исследования

#48 (334)

Прием материалов

21 ноября - 27 ноября

осталось 6 дней

Размещение PDF-версии журнала

2 декабря

Размещение электронной версии статьи

сразу после оплаты

Рассылка печатных экземпляров

16 декабря