Azure AI Speech срещу Google Chirp 3 срещу Amazon Transcribe върху 153 гласови съобщения: защо InterMIND изпълнява разпознаването на реч през собствения облачен шлюз на вашата организация (2026)

Гласовото съобщение в канал на InterMIND се превръща в текстово съобщение, което всеки колега чете на собствения си език. Първата стъпка към това е разпознаването на реч, а въпросът, който задава ИТ екипът на домакина или проверяващият от страна на клиента, не е „колко е точно“, а „чия е услугата и къде отива аудиото“.

Накратко: Azure AI Speech, речевата услуга на AI шлюза по подразбиране, в собствения Azure tenant на InterMIND в Sweden Central — както и речевите услуги на другите два шлюза, които една организация може да избере, измерени върху същите клипове, така че изборът да е число, а не предпочитание. Тази публикация показва числата зад този избор — същите 153 клипа през Azure AI Speech, Google Cloud Speech-to-Text и Amazon Transcribe в един и същи ден — и двата факта за всяко API, които тежат повече от процентен пункт точност.

Правилото е първо: един шлюз на организация

Всяка AI функция в InterMIND — резюметата на срещите, обобщенията на документи, помощникът за писане, Ask AI и Mia в срещата — работи през един шлюз към езиков модел, който организацията избира: по подразбиране Azure OpenAI в EU Data Zone, по избор Google Vertex AI на мулти-регионалния EU endpoint или Amazon Bedrock във Франкфурт, всеки в собствения tenant на InterMIND. Обяснихме мотивите в Meeting AI on your own cloud gateway: за повечето организации този шлюз вече е в одобрения списък с подизпълнители, така че една AI функция не добавя нова компания към списъка.

Разпознаването на реч за гласови съобщения днес следва същото правило при шлюза по подразбиране, а всеки от трите шлюза има речева услуга до своите езикови модели — това измерва тази публикация:

Във всички случаи на разпознавателя се подава езикът на самия говорещ — езикът, който членът е задал в профила си, — защото автоматичното определяне на езика се оказа ненадеждно при къси клипове в нашите тестове: четирисекундно съобщение на руски се върна като английски. Така продуктът извиква Azure днес, и тестът извиква другите две по същия начин.

Какво измерихме

Наборът. 153 клипа на 17 езика: 136 реплики от диалози — два бизнес диалога (преговори по договор и дневен stand-up), изговорени от двата синтетични гласа на продукта на десет езика — плюс 17 формални откъса, бизнес изреченията от FLORES-200 в нашия публичен бенчмарк за превод, прочетени от синтетичен глас, по един на език и с дължина от 71 до 109 секунди. Репликите от диалозите са от 3 до 30 секунди — дължината на реално гласово съобщение.

Метриката. Честота на грешките в думите (WER) спрямо референтния текст — делът на заменените, вмъкнатите или изтритите думи — след нормализиране на главни/малки букви, пунктуация и интервали; китайски и японски се сравняват по знак. Честотата на грешките в знаците също е записана и разказва същата история.

Тестовата среда. Един скрипт, една машина, един час на 2026-09-16, всеки енджин върху всичките 153 клипа. Azure и Amazon Transcribe приеха всеки клип цял. Синхронният разпознавател на Google приема най-много 60 секунди, затова 17-те формални клипа бяха нарязани на тишините на части под 55 секунди, а транскриптите — слепени; 136-те клипа от диалозите минаха цели. Amazon Transcribe иска аудио с темпото на реалното време, затова скриптът му го подаваше четири пъти по-бързо от реалното време; показателят за латентност по-долу е следователно долна граница, зададена от подаването, а не от услугата.

Какво това не е. Синтетични гласове в тихо аудио, а не полеви записи от телефон в кола. Един ден, едно пускане на клип. Това е сравнение върху аудиото, върху което се тества нашият собствен преводен конвейер, на езиците, на които пишат нашите потребители — не е класация.

Резултати: честота на грешките в думите по език

Средна WER върху клиповете на всеки език; всеки енджин върна транскрипт за всичките 153 клипа.

Езиците с един-единствен клип (само формалният откъс) са показани за пълнота; стойност от един клип е точка от данни, а не честота.

Какво казват числата

• На целия набор трите услуги са в рамките на един пункт една от друга: 9%, 10% и 10%. Всеки от 153-те клипа се върна с транскрипт от всеки енджин — покритието на 17-те езика е пълно и при трите.
• Разликите са по езици и вървят в двете посоки. Azure има най-ниска честота на грешки при френския (5% срещу 11% и 12%) и немския (7% срещу 9% и 13%) и дели най-ниската при английския (2%, с Amazon Transcribe) и китайския (3%, с Google). Amazon Transcribe е най-добър при арабския (26% срещу 32% и 46%). Google е най-добър при руския (10% срещу 14% и 14%), португалския, унгарския и турския.
• Арабският е труден и за трите. Най-добрият резултат върху арабските клипове от диалозите е една грешна дума от четири. Това съответства на видяното от страната на превода, където през август 2026 изтеглихме арабския от избора на език за срещи, докато качеството не премине нашата летва (колко езика поддържаме).
• Времето за обработка е доста под реалното време и при трите. 30-секундно съобщение отнема около три секунди в Azure и около седем в Google в тази тестова среда; цифрата за Amazon е доминирана от темпираното подаване.

Защо Azure AI Speech остава по подразбиране

Три причини, в реда, в който решиха въпроса.

1. Шлюзът по подразбиране е Azure. Организация, която не е избрала шлюз, изпълнява AI функциите си на Azure OpenAI в EU Data Zone, така че гласовите ѝ съобщения се транскрибират от Azure AI Speech в същия tenant. Без допълнителен подизпълнител, без допълнителен регион. Microsoft заявява, че Azure Speech не съхранява и не обработва данни извън региона на ресурса Speech (страница с региони, проверена през септември 2026); нашият ресурс е в Sweden Central, който е посочен за fast transcription.

2. Формата на API пасва на гласово съобщение. Гласово съобщение в InterMIND може да е дълго до десет минути (гласови съобщения). Fast transcription на Azure приема целия запис с една заявка. Синхронното разпознаване на Google спира на 60 секунди, така че десетминутно съобщение изисква пакетно разпознаване през storage bucket или поточна сесия; Amazon Transcribe работи поточно, но приема PCM, FLAC или Ogg-Opus, а не форматите, в които записват телефоните и браузърите, така че аудиото първо се транскодира. И двете се решават — тестовата среда ги решава, — но това са повече движещи се части по пътя на всяко съобщение.

3. Числата не са аргумент против. При 9% срещу 10% и 10% никой енджин на този набор не е достатъчно по-добър, за да оправдае преместването на гласовите съобщения извън шлюза по подразбиране. Ако Google или Amazon бяха постигнали наполовина по-ниска честота на грешките, тази публикация щеше да го каже.

Какво означава това за организации във Vertex AI или Bedrock

Ако вашата организация е избрала Google Vertex AI или Amazon Bedrock за свой шлюз, вашите AI функции работят там. Гласовите съобщения в тези организации в момента пристигат като запис без транскрипт: измерихме Google Cloud Speech-to-Text и Amazon Transcribe, както показва тази публикация, но още не сме ги включили в продукта. Разрешенията и кодът за интеграция съществуват; тази публикация ще бъде обновена, когато те са по пътя на всяко съобщение. Дотогава гласовото съобщение в организация с Vertex AI или Bedrock е запис, който може да се пусне; организация, която превключи шлюза си към Azure, получава транскрипти за съобщенията, изпратени от този момент нататък.

ЧЗВ

Коя услуга за разпознаване на реч използва InterMIND?

За гласови съобщения в чата — Azure AI Speech (fast transcription API) в собствения Azure tenant на InterMIND в Sweden Central — речевата услуга на AI шлюза по подразбиране. Речта на живо в срещите минава по друг път: работи на собствения медиен енджин на InterMIND, Mind API, хостван в OVH във Франция, и никога не докосва облачна речева услуга (къде работи една среща).

По-точен ли е Azure AI Speech от Google Speech-to-Text или Amazon Transcribe?

На нашия набор от 153 клипа с гласови съобщения на 17 езика, измерени в един и същи ден с една и съща тестова среда, Azure AI Speech имаше средна честота на грешките в думите 9%, Google Cloud Speech-to-Text (Chirp 3) — 10% и Amazon Transcribe — 10%. По езици редът се променя: Azure беше най-добър при френския, английския и китайския, Amazon Transcribe — при арабския, Google — при руския. При друг набор записи класирането може да е различно; таблицата по-горе е доказателството за нашия.

Какво е честота на грешките в думите и как е изчислена тук?

Честотата на грешките в думите е броят на заменените, вмъкнатите и изтритите думи, разделен на броя думи в референтния текст. Нормализираме главни/малки букви, пунктуация и интервали преди сравнението и сравняваме китайски и японски по знак, защото тези писмености не разделят думите с интервали. Стойност от 9% означава, че грубо една дума от единайсет се различава от референцията.

Напуска ли аудиото на гласовото съобщение ЕС?

Не. Записът се съхранява в обектното хранилище на InterMIND в ЕС, а речевата услуга, която го транскрибира, работи в регион на ЕС: Sweden Central в Azure, мулти-регионът eu в Google Cloud, Франкфурт в AWS. Пълният списък със страни и региони е на страницата с подизпълнители и на страницата за доверие.

Защо не разпознаваме речта от страна на клиента, в приложението, така че аудиото никога да не напуска телефона?

Измерихме и това, през септември 2026. Вграденият разпознавател на Chrome с локална обработка разпозна 0 от 17 формални клипа на езиците на продукта, а езиковото покритие на клиентските разпознаватели е далеч по-тясно от 17-те езика в таблицата по-горе. Разпознаването от страна на клиента е посока, която измерваме отново, докато платформите се подобряват; днес пътят през шлюза е този, който работи за всеки член на всеки език.

Може ли нашата организация да избере коя речева услуга транскрибира нейните гласови съобщения?

Не отделно: AI шлюзът е онова, което администраторът на организацията избира на страницата Integrations. При шлюза по подразбиране гласовите съобщения се транскрибират от Azure AI Speech. При Vertex AI и Amazon Bedrock гласовите съобщения още не се транскрибират — вижте раздела по-горе.

Колко дълго може да е гласово съобщение и ограничава ли го API?

До десет минути. Fast transcription на Azure приема файлове до 5 часа и 500 MB с една заявка, така че съобщението се транскрибира с едно извикване. Синхронното разпознаване на Google приема 60 секунди и 10 MB, затова тестовата среда наряза дългите клипове на части по тишините.

Защо на разпознавателя се казва езикът на говорещия, вместо да го открива сам?

Защото гласовото съобщение е късо. При четирисекунден клип автоматичното определяне на езика може да върне грешен език — руско тестово съобщение се върна като английско; езикът от профила на члена е верен почти всеки път. Разпознавателят получава този език и само когато той е неизвестен, получава езиците на стаята като кандидати.

Същата ли услуга транскрибира аудиото от срещите?

Не. Речта на живо в среща се разпознава и превежда на собствения енджин на InterMIND (Mind API) върху медийния сървър, който носи разговора, хостван в OVH във Франция — вижте къде работи една среща. Облачният шлюз вижда текст, никога аудиото от разговор (meeting AI on your own gateway).

Ще публикувате ли резултатите отново?

Тестовата среда се пуска с една команда и разрешенията на всеки енджин са налице, така че таблицата може да се измери наново, когато доставчик пусне нов модел. Когато това промени картината, тази публикация се обновява с датата.

Вижте сами

• Прочетете как работят гласовите съобщения — запис, лимитът от десет минути и къде отива аудиото.
• Вижте списъка с подизпълнители — доставчик, държава, цел и регион за всяка страна, която обработва вашите данни.
• Пробвайте демото на живо — производственият преводен конвейер върху вашето собствено аудио, без регистрация.

Източници: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) и таблица с региони на Speech (learn.microsoft.com); Google Cloud — модел Chirp 3 (docs.cloud.google.com), лимити на синхронното разпознаване (docs.cloud.google.com) и поддържани езици (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpoints и квоти (docs.aws.amazon.com) и поддържани езици (docs.aws.amazon.com); всички проверени през септември 2026. Измерване: InterMIND speech bench, 2026-09-16, 153 клипа, 17 езика.