لأن البوابة موجودة أصلًا في قائمة المعالِجين الفرعيين لديك. تذهب الرسائل الصوتية إلى Azure AI Speech، خدمة الكلام في البوابة الافتراضية، داخل بيئة InterMIND الخاصة في السويد.
الأرقام لا تعارض ذلك. على 153 مقطعًا بـ 17 لغة: سجّلت Azure نسبة خطأ في الكلمات 9%، وسجّلت Google Chirp 3 وAmazon Transcribe 10%؛ أما على Vertex AI أو Bedrock فلا تُفرَّغ الرسائل الصوتية إلى نص حتى الآن.
يُبقي InterMIND القناة كلها بلغة كل عضو، بما فيها الرسائل الصوتية، نصًّا يقرأه كل زميل. ينضم الضيوف مجانًا عبر رابط ودون حساب، ولا تدفع إلا عن الأعضاء النشطين.

Azure AI Speech مقابل Google Chirp 3 مقابل Amazon Transcribe على 153 رسالة صوتية: لماذا يشغّل InterMIND تحويل الكلام إلى نص على بوابة السحابة الخاصة بمؤسستك (2026)

تتحول الرسالة الصوتية في قناة InterMIND إلى رسالة نصية يقرأها كل زميل بلغته. والخطوة الأولى في ذلك هي تحويل الكلام إلى نص. والسؤال الذي يطرحه قسم تقنية المعلومات لدى المضيف أو مراجِع العميل ليس «ما مدى دقته؟» بل «لمن تعود هذه الخدمة، وأين يذهب الصوت؟».

الجواب المختصر: Azure AI Speech، خدمة الكلام في بوابة الذكاء الاصطناعي الافتراضية، داخل بيئة Azure الخاصة بـ InterMIND في السويد الوسطى. إضافةً إلى خدمتَي الكلام في البوابتين الأخريين اللتين يمكن للمؤسسة اختيارهما، وقد قسناهما على المقاطع نفسها ليكون الاختيار رقمًا لا تفضيلًا. يعرض هذا المقال الأرقام وراء هذا الاختيار: المقاطع الـ 153 نفسها عبر Azure AI Speech وGoogle Cloud Speech-to-Text وAmazon Transcribe في اليوم نفسه، وحقيقتان عن كل واجهة برمجية تهمّان أكثر من نقطة مئوية واحدة من الدقة.

القاعدة أولًا: بوابة واحدة لكل مؤسسة

كل ميزة ذكاء اصطناعي في InterMIND تعمل على بوابة نماذج لغوية واحدة تختارها المؤسسة. وتشمل هذه الميزات ملخصات الاجتماعات وملخصات المستندات ومساعد الكتابة وAsk AI وMia داخل الاجتماع. الخيار الافتراضي هو Azure OpenAI في EU Data Zone، ويمكن اختيار Google Vertex AI على نقطة النهاية متعددة المناطق في الاتحاد الأوروبي أو Amazon Bedrock في فرانكفورت، وكل ذلك داخل بيئة InterMIND الخاصة. شرحنا المنطق في ذكاء الاجتماعات على بوابة السحابة الخاصة بك: فالبوابة لدى معظم المؤسسات موجودة أصلًا في قائمة المعالِجين الفرعيين المعتمدين، فلا تضيف ميزة الذكاء الاصطناعي شركة جديدة إلى القائمة.

يتبع تحويل الكلام إلى نص للرسائل الصوتية القاعدة نفسها على البوابة الافتراضية اليوم. ولكل بوابة من البوابات الثلاث خدمة كلام بجانب نماذجها اللغوية، وهذا ما يقيسه هذا المقال:

البوابة	خدمة الكلام	المنطقة المستخدمة في هذا الاختبار	كيف تستقبل الواجهة التسجيل
Azure OpenAI (Microsoft)	Azure AI Speech، واجهة التفريغ السريع	السويد الوسطى	طلب واحد لملف حتى 5 ساعات و500 ميغابايت (وثائق التفريغ السريع، روجعت في سبتمبر 2026)
Google Vertex AI (Google Cloud)	Cloud Speech-to-Text v2، نموذج Chirp 3	منطقة متعددة `eu`	التعرّف المتزامن محدود بـ 60 ثانية و10 ميغابايت؛ أما الصوت الأطول فيمر عبر التعرّف الدفعي أو التعرّف المتدفق (حدود التعرّف المتزامن، Chirp 3، روجعت في سبتمبر 2026)
Amazon Bedrock (AWS)	Amazon Transcribe، البث المتدفق	eu-central-1 (فرانكفورت)	جلسة بث عبر HTTP/2 أو WebSocket؛ والمدخل بصيغة PCM أو FLAC أو Ogg-Opus (وثائق البث المتدفق، روجعت في سبتمبر 2026)

في كل الحالات يُخبَر المُتعرِّف بلغة المتحدث نفسه، أي اللغة التي ضبطها العضو في ملفه الشخصي. فقد تبيّن في اختباراتنا أن التعرّف التلقائي على اللغة غير موثوق في المقاطع القصيرة: رسالة روسية مدتها أربع ثوانٍ عادت على أنها إنجليزية. هكذا يستدعي المنتج Azure اليوم، وهكذا استدعى الاختبار الخدمتين الأخريين.

ماذا قسنا

المجموعة. 153 مقطعًا بـ 17 لغة: 136 دور حوار، وهي حواران تجاريان (مفاوضة عقد واجتماع وقوف يومي) بصوتين صناعيين يستخدمهما المنتج وبعشر لغات. يضاف إليها 17 مقطعًا رسميًا، وهي جمل الأعمال من FLORES-200 في معيارنا العلني للترجمة يقرؤها صوت صناعي، بمقطع لكل لغة ومدته بين 71 و109 ثوانٍ. أما أدوار الحوار فمدتها من 3 إلى 30 ثانية، أي طول الرسالة الصوتية الحقيقية.

المقياس. نسبة الخطأ في الكلمات (WER) قياسًا إلى النص المرجعي، أي نسبة الكلمات المستبدلة أو المضافة أو المحذوفة، بعد توحيد حالة الأحرف وعلامات الترقيم والمسافات. وتُقارن الصينية واليابانية حرفًا بحرف. سُجّلت نسبة الخطأ في الأحرف إلى جانبها وتروي القصة نفسها.

أداة الاختبار. سكربت واحد وجهاز واحد وساعة واحدة في 2026-09-16، ومرّ كل محرّك على المقاطع الـ 153 كلها. أخذت Azure وAmazon Transcribe كل مقطع كاملًا. أما المُتعرِّف المتزامن في Google فيقبل 60 ثانية كحد أقصى، فقُطعت المقاطع الرسمية الـ 17 عند فترات الصمت إلى أجزاء أقصر من 55 ثانية ثم ضُمّت النصوص، بينما مرّت مقاطع الحوار الـ 136 كاملة. تتطلب Amazon Transcribe صوتًا بإيقاع الوقت الفعلي، فغذّتها الأداة بسرعة أربعة أضعاف الوقت الفعلي. لذلك فإن رقم زمن الاستجابة الخاص بها أدناه حدّ أدنى فرضته التغذية لا الخدمة.

ما ليس هذا الاختبار. أصوات صناعية في تسجيل هادئ، لا تسجيلات ميدانية من هاتف داخل سيارة. يوم واحد وتشغيل واحد لكل مقطع. هو مقارنة على الصوت الذي يُختبر عليه مسار الترجمة لدينا، وباللغات التي يكتب بها مستخدمونا، وليس لوحة ترتيب.

النتائج: نسبة الخطأ في الكلمات لكل لغة

متوسط WER على مقاطع كل لغة؛ وقد أعاد كل محرّك نصًّا لجميع المقاطع الـ 153.

اللغة	المقاطع	Azure AI Speech	Google Chirp 3	Amazon Transcribe
العربية	13	32%	46%	26%
الصينية	13	3%	3%	8%
التشيكية	1	1%	2%	3%
الهولندية	1	2%	2%	3%
الإنجليزية	21	2%	5%	2%
الفرنسية	13	5%	11%	12%
الألمانية	13	7%	9%	13%
الهندية	13	10%	10%	12%
المجرية	1	9%	7%	8%
الإيطالية	1	1%	1%	3%
اليابانية	13	6%	5%	5%
الكورية	1	9%	11%	11%
البولندية	1	1%	1%	2%
البرتغالية (البرازيل)	13	5%	4%	6%
الروسية	21	14%	10%	14%
الإسبانية	13	6%	5%	6%
التركية	1	4%	3%	4%
المقاطع الـ 153 كلها	153	9%	10%	10%
أدوار الحوار فقط	136	9%	11%	10%
المقاطع الرسمية فقط	17	4%	5%	5%
زمن المعالجة ÷ طول الصوت		0.10	0.22	0.41 (مقيّد بالتغذية)

اللغات ذات المقطع الواحد (المقطع الرسمي فقط) معروضة للاكتمال؛ فرقم المقطع الواحد نقطة بيانات لا معدّل.

ماذا تقول الأرقام

على المجموعة كلها، تتقارب الخدمات الثلاث ضمن نقطة مئوية واحدة: 9% و10% و10%. وقد أعاد كل محرّك نصًّا لكل مقطع من المقاطع الـ 153، فتغطية اللغات الـ 17 كاملة في الخدمات الثلاث.
الفروق تظهر لكل لغة، وتتجه في الاتجاهين. سجّلت Azure أدنى نسبة خطأ في الفرنسية (5% مقابل 11% و12%) والألمانية (7% مقابل 9% و13%)، وتعادلت في أدنى نسبة في الإنجليزية (2%، مع Amazon Transcribe) والصينية (3%، مع Google). وسجّلت Amazon Transcribe الأدنى في العربية (26% مقابل 32% و46%). وسجّلت Google الأدنى في الروسية (10% مقابل 14% و14%) والبرتغالية والمجرية والتركية.
العربية صعبة على الثلاثة جميعًا. أفضل نتيجة على مقاطع الحوار العربية هي كلمة خاطئة من كل أربع. وهذا يتسق مع ما رأيناه في جانب الترجمة، حيث سحبنا العربية من منتقي لغة الاجتماع في أغسطس 2026 إلى أن تبلغ الجودة المستوى الذي نطلبه (كم لغة ندعم).
زمن المعالجة أقل بكثير من الوقت الفعلي في الخدمات الثلاث. تستغرق رسالة مدتها 30 ثانية نحو ثلاث ثوانٍ على Azure ونحو سبع على Google في هذه الأداة؛ أما رقم Amazon فتحكمه التغذية المنضبطة الإيقاع.

لماذا يبقى Azure AI Speech هو الافتراضي

ثلاثة أسباب، بالترتيب الذي حسم الأمر.

1. البوابة الافتراضية هي Azure. المؤسسة التي لم تختر بوابة تشغّل ميزات الذكاء الاصطناعي على Azure OpenAI في EU Data Zone، فتُفرَّغ رسائلها الصوتية بواسطة Azure AI Speech في البيئة نفسها. لا معالِج فرعي إضافي ولا منطقة إضافية. وتذكر Microsoft أن Azure Speech لا تخزّن البيانات ولا تعالجها خارج منطقة مورد Speech (صفحة المناطق، روجعت في سبتمبر 2026)؛ ومواردنا في السويد الوسطى، وهي مدرجة ضمن مناطق التفريغ السريع.

2. شكل الواجهة البرمجية يناسب الرسالة الصوتية. يمكن أن تصل مدة الرسالة الصوتية في InterMIND إلى عشر دقائق (الرسائل الصوتية). يقبل التفريغ السريع في Azure التسجيل كاملًا في طلب واحد. أما التعرّف المتزامن في Google فيتوقف عند 60 ثانية، فتحتاج رسالة مدتها عشر دقائق إلى تعرّف دفعي عبر حاوية تخزين أو إلى جلسة بث متدفق. وتعتمد Amazon Transcribe البث المتدفق، لكنها تقبل PCM أو FLAC أو Ogg-Opus بدل الصيغ التي تسجّل بها الهواتف والمتصفحات، فيُحوَّل الصوت أولًا. كلا الأمرين قابل للحل، وأداة الاختبار تحلّهما، لكنهما يضيفان أجزاءً متحركة أكثر في مسار كل رسالة.

3. الأرقام لا تعارض ذلك. عند 9% مقابل 10% و10%، لا يتفوق أي محرّك في هذه المجموعة بما يكفي لتبرير نقل الرسائل الصوتية بعيدًا عن البوابة الافتراضية. ولو سجّلت Google أو Amazon نصف نسبة الخطأ، لقال هذا المقال ذلك.

ماذا يعني هذا للمؤسسات على Vertex AI أو Bedrock

إذا اختارت مؤسستك Google Vertex AI أو Amazon Bedrock بوابةً لها، فإن ميزات الذكاء الاصطناعي لديها تعمل هناك. الرسائل الصوتية في تلك المؤسسات تصل حاليًا كتسجيل بلا نص: فقد قسنا Google Cloud Speech-to-Text وAmazon Transcribe كما يبيّن هذا المقال، لكننا لم نربطهما بالمنتج بعد. الأذونات وشيفرة التكامل موجودتان، وسيُحدَّث هذا المقال عندما تصبحان في مسار كل رسالة. وإلى ذلك الحين، تبقى الرسالة الصوتية في مؤسسة على Vertex AI أو Bedrock تسجيلًا قابلًا للتشغيل؛ أما المؤسسة التي تحوّل بوابتها إلى Azure فتحصل على نصوص للرسائل المرسلة منذ ذلك الحين.

الأسئلة الشائعة

أي خدمة تحويل كلام إلى نص يستخدمها InterMIND؟

للرسائل الصوتية في الدردشة: Azure AI Speech (واجهة التفريغ السريع) داخل بيئة Azure الخاصة بـ InterMIND في السويد الوسطى، وهي خدمة الكلام في بوابة الذكاء الاصطناعي الافتراضية. أما الكلام المباشر في الاجتماعات فمسار مختلف: يعمل على محرّك الوسائط الخاص بـ InterMIND، أي Mind API، المستضاف لدى OVH في فرنسا، ولا يمرّ أبدًا بأي خدمة كلام سحابية (أين يعمل اجتماع واحد).

هل Azure AI Speech أدق من Google Speech-to-Text أو Amazon Transcribe؟

على مجموعتنا من 153 مقطع رسالة صوتية بـ 17 لغة، وقد قيست في اليوم نفسه وبأداة الاختبار نفسها، سجّلت Azure AI Speech متوسط نسبة خطأ في الكلمات 9%، وGoogle Cloud Speech-to-Text (Chirp 3) 10%، وAmazon Transcribe 10%. ويتغير الترتيب لكل لغة: كانت Azure الأدنى في الفرنسية والإنجليزية والصينية، وAmazon Transcribe في العربية، وGoogle في الروسية. وعلى مجموعة تسجيلات مختلفة قد يختلف الترتيب؛ والجدول أعلاه هو الدليل على مجموعتنا.

ما نسبة الخطأ في الكلمات، وكيف حُسبت هنا؟

نسبة الخطأ في الكلمات هي عدد الكلمات المستبدلة والمضافة والمحذوفة مقسومًا على عدد الكلمات في النص المرجعي. نوحّد حالة الأحرف وعلامات الترقيم والمسافات قبل المقارنة، ونقارن الصينية واليابانية حرفًا بحرف لأن هاتين الكتابتين لا تفصلان الكلمات بمسافات. ونسبة 9% تعني أن كلمة واحدة تقريبًا من كل إحدى عشرة تختلف عن المرجع.

هل يغادر صوت الرسالة الصوتية الاتحاد الأوروبي؟

لا. يُخزَّن التسجيل في تخزين الكائنات الخاص بـ InterMIND داخل الاتحاد الأوروبي، وتعمل خدمة الكلام التي تفرّغه في منطقة داخل الاتحاد الأوروبي: السويد الوسطى على Azure، والمنطقة متعددة eu على Google Cloud، وفرانكفورت على AWS. القائمة الكاملة بالجهات والمناطق في صفحة المعالِجين الفرعيين وصفحة الثقة.

لماذا لا يجري التعرّف على الكلام على جهاز العميل، داخل التطبيق، فلا يغادر الصوت الهاتف؟

قسنا ذلك أيضًا في سبتمبر 2026. فالمُتعرِّف المدمج في Chrome بالمعالجة المحلية تعرّف على 0 من 17 مقطعًا رسميًا عبر لغات المنتج، وتغطية اللغات في المُتعرِّفات على جهاز العميل أضيق بكثير من اللغات الـ 17 في الجدول أعلاه. التعرّف على جهاز العميل اتجاه نعيد قياسه كلما تحسنت المنصات؛ أما اليوم فمسار البوابة هو الذي يعمل لكل عضو وبكل لغة.

هل يمكن لمؤسستنا اختيار الخدمة التي تفرّغ رسائلها الصوتية؟

ليس بشكل منفصل: فبوابة الذكاء الاصطناعي هي ما يختاره مسؤول المؤسسة في صفحة التكاملات. على البوابة الافتراضية تُفرَّغ الرسائل الصوتية بواسطة Azure AI Speech. وعلى Vertex AI وAmazon Bedrock لا تُفرَّغ الرسائل الصوتية إلى نص حتى الآن، راجع القسم أعلاه.

ما أقصى طول للرسالة الصوتية، وهل تحدّه الواجهة البرمجية؟

حتى عشر دقائق. يقبل التفريغ السريع في Azure ملفات حتى 5 ساعات و500 ميغابايت في طلب واحد، فتُفرَّغ الرسالة في استدعاء واحد. أما التعرّف المتزامن في Google فيقبل 60 ثانية و10 ميغابايت، ولهذا قطعت أداة الاختبار المقاطع الطويلة إلى أجزاء عند فترات الصمت.

لماذا يُخبَر المُتعرِّف بلغة المتحدث بدل أن يكتشفها؟

لأن الرسالة الصوتية قصيرة. في مقطع مدته أربع ثوانٍ قد يعيد التعرّف التلقائي على اللغة لغة خاطئة: عادت رسالة اختبار روسية على أنها إنجليزية، بينما لغة الملف الشخصي للعضو صحيحة في كل مرة تقريبًا. فيُعطى المُتعرِّف تلك اللغة، ولا يُعطى لغات الغرفة مرشحةً إلا حين تكون لغة المتحدث غير معروفة.

هل يُفرَّغ صوت الاجتماع بالخدمة نفسها؟

لا. يُتعرَّف على الكلام المباشر في الاجتماع ويُترجَم على محرّك InterMIND الخاص (Mind API) في خادم الوسائط الذي يحمل المكالمة، المستضاف لدى OVH في فرنسا، راجع أين يعمل اجتماع واحد. وترى بوابة السحابة النص، ولا ترى أبدًا صوت المكالمة (ذكاء الاجتماعات على بوابتك).

هل ستنشرون النتائج مرة أخرى؟

تعمل أداة الاختبار بأمر واحد، وأذونات كل محرّك جاهزة، فيمكن إعادة قياس الجدول عندما يطلق أحد المزوّدين نموذجًا جديدًا. وعندما يغيّر ذلك الصورة، سيُحدَّث هذا المقال مع التاريخ.

جرّبه بنفسك

اقرأ كيف تعمل الرسائل الصوتية — التسجيل، وحدّ العشر دقائق، وأين يذهب الصوت.
اطّلع على قائمة المعالِجين الفرعيين — المزوّد والبلد والغرض والمنطقة لكل جهة تعالج بياناتك.
جرّب العرض التجريبي المباشر — مسار الترجمة الإنتاجي على صوتك أنت، دون تسجيل.

المصادر: Microsoft — التفريغ السريع في Azure AI Speech (learn.microsoft.com) وجدول مناطق Speech (learn.microsoft.com); Google Cloud — نموذج Chirp 3 (docs.cloud.google.com) وحدود التعرّف المتزامن (docs.cloud.google.com) واللغات المدعومة (docs.cloud.google.com); AWS — البث المتدفق في Amazon Transcribe (docs.aws.amazon.com) ونقاط النهاية والحصص (docs.aws.amazon.com) واللغات المدعومة (docs.aws.amazon.com); رُوجعت جميعها في سبتمبر 2026. القياس: اختبار الكلام من InterMIND، 2026-09-16، 153 مقطعًا، 17 لغة.