Azure AI Speech vs. Google Chirp 3 vs. Amazon Transcribe på 153 talebeskeder: Derfor kører InterMIND tale-til-tekst på din organisations egen cloud-gateway (2026)

En talebesked i en InterMIND-kanal bliver til en tekstbesked, som hver kollega læser på sit eget sprog. Første trin er tale-til-tekst, og det spørgsmål, en værts egen it-afdeling eller en kundes reviewer stiller, er ikke "hvor præcis er den", men "hvis tjeneste er det, og hvor havner lyden".

Det korte svar: Azure AI Speech, taletjenesten i standard-AI-gatewayen, i InterMINDs egen Azure-tenant i Sweden Central. Dertil kommer taletjenesterne i de to andre gateways, en organisation kan vælge, målt på de samme klip, så valget er et tal og ikke en præference. Dette indlæg viser tallene bag valget: de samme 153 klip gennem Azure AI Speech, Google Cloud Speech-to-Text og Amazon Transcribe samme dag. Det viser også de to forhold ved hver API, der betyder mere end et procentpoint i nøjagtighed.

Reglen kommer først: én gateway pr. organisation

Alle AI-funktioner i InterMIND, det vil sige mødereferater, dokumentresuméer, skriveassistenten, Ask AI og Mia i mødet, kører på én sprogmodel-gateway, som organisationen vælger: som standard Azure OpenAI i EU Data Zone, eller efter valg Google Vertex AI på EU-multiregion-endpointet eller Amazon Bedrock i Frankfurt, alle i InterMINDs egen tenant. Vi forklarede ræsonnementet i Møde-AI på din egen cloud-gateway: For de fleste organisationer står gatewayen allerede på listen over godkendte underdatabehandlere, så en AI-funktion tilføjer ikke et nyt selskab til listen.

Tale-til-tekst for talebeskeder følger i dag samme regel på standardgatewayen, og hver af de tre gateways har en taletjeneste ved siden af sine sprogmodeller. Det er den, dette indlæg måler:

Genkenderen får i alle tilfælde at vide, hvilket sprog afsenderen taler, nemlig det sprog, et medlem har sat i sin profil. Automatisk sprogidentifikation viste sig nemlig upålidelig på korte klip i vores tests: En russisk besked på fire sekunder kom tilbage som engelsk. Sådan kalder produktet Azure i dag, og testen kalder de to andre på samme måde.

Hvad vi målte

Datasættet. 153 klip på 17 sprog: 136 dialogreplikker, to forretningsdialoger (en kontraktforhandling og et dagligt stand-up) talt af produktets to syntetiske stemmer på ti sprog, plus 17 formelle passager. Passagerne er FLORES-200-forretningssætningerne fra vores offentlige oversættelsesbenchmark, læst op af en syntetisk stemme, ét pr. sprog og på 71 til 109 sekunder. Dialogreplikkerne varer 3 til 30 sekunder, altså længden på en rigtig talebesked.

Måleparameteren. Ordfejlrate (WER) i forhold til referenceteksten, altså andelen af ord, der er erstattet, indsat eller udeladt, efter normalisering af store/små bogstaver, tegnsætning og mellemrum. Kinesisk og japansk sammenlignes pr. tegn. Tegnfejlraten blev registreret ved siden af og fortæller den samme historie.

Testopsætningen. Ét script, én maskine, én time den 16.9.2026, hver motor over alle 153 klip. Azure og Amazon Transcribe fik hvert klip i sin helhed. Googles synkrone genkender tager højst 60 sekunder, så de 17 formelle klip blev skåret ved pauser i stykker på under 55 sekunder, og transskriptionerne blev sat sammen; de 136 dialogklip gik hele igennem. Amazon Transcribe vil have lyd i realtidstempo, så opsætningen fodrede den fire gange hurtigere end realtid. Dens latenstal nedenfor er derfor et gulv sat af fodringen, ikke af tjenesten.

Hvad dette ikke er. Syntetiske stemmer i stille lyd, ikke feltoptagelser fra en telefon i en bil. Én dag, én kørsel pr. klip. Det er en sammenligning på den lyd, vores egen oversættelsespipeline testes på, på de sprog, vores brugere skriver på. Det er ikke en rangliste.

Resultater: ordfejlrate pr. sprog

Gennemsnitlig WER på klippene for hvert sprog; alle motorer returnerede en transskription for alle 153 klip.

Sprog med ét enkelt klip (kun den formelle passage) er vist for fuldstændighedens skyld; et tal fra ét klip er et datapunkt, ikke en rate.

Hvad tallene siger

• På hele datasættet ligger de tre tjenester inden for ét point af hinanden: 9 %, 10 % og 10 %. Hvert eneste af de 153 klip kom tilbage med en transskription fra hver motor, så dækningen af de 17 sprog er fuldstændig hos alle tre.
• Forskellene er pr. sprog, og de går begge veje. Azure havde den laveste fejlrate på fransk (5 % mod 11 % og 12 %) og tysk (7 % mod 9 % og 13 %), og delte førstepladsen på engelsk (2 %, med Amazon Transcribe) og kinesisk (3 %, med Google). Amazon Transcribe havde den laveste på arabisk (26 % mod 32 % og 46 %). Google havde den laveste på russisk (10 % mod 14 % og 14 %), portugisisk, ungarsk og tyrkisk.
• Arabisk er svært for alle tre. Det bedste resultat på de arabiske dialogklip er ét ord ud af fire forkert. Det stemmer med, hvad vi så på oversættelsessiden, hvor vi i august 2026 tog arabisk ud af mødesprogvælgeren, indtil kvaliteten klarer vores krav (hvor mange sprog vi understøtter).
• Behandlingstiden ligger langt under realtid hos alle tre. En besked på 30 sekunder tager omkring tre sekunder på Azure og omkring syv på Google i denne opsætning; Amazon-tallet er domineret af den tempostyrede fodring.

Hvorfor Azure AI Speech forbliver standard

Tre grunde, i den rækkefølge de afgjorde sagen.

1. Standardgatewayen er Azure. En organisation, der ikke har valgt en gateway, kører sine AI-funktioner på Azure OpenAI i EU Data Zone, så dens talebeskeder transskriberes af Azure AI Speech i samme tenant. Ingen yderligere underdatabehandler, ingen yderligere region. Microsoft oplyser, at Azure Speech ikke gemmer eller behandler data uden for Speech-ressourcens region (regionsside, tjekket september 2026); vores ressource ligger i Sweden Central, som er opført for fast transcription.

2. API'ets form passer til en talebesked. En talebesked i InterMIND kan vare op til ti minutter (talebeskeder). Azures fast transcription tager hele optagelsen i én forespørgsel. Googles synkrone genkendelse stopper ved 60 sekunder, så en besked på ti minutter kræver batchgenkendelse via en storage-bucket eller en streamingsession. Amazon Transcribe streamer, men tager PCM, FLAC eller Ogg-Opus i stedet for de formater, telefoner og browsere optager i, så lyden skal først transkodes. Begge dele kan løses (testopsætningen løser dem), men der er flere bevægelige dele på vejen for hver besked.

3. Tallene taler ikke imod. Med 9 % mod 10 % og 10 % er ingen motor i dette datasæt så meget bedre, at det kan begrunde at flytte talebeskeder væk fra standardgatewayen. Havde Google eller Amazon ligget på halvdelen af fejlraten, ville dette indlæg have sagt det.

Hvad det betyder for organisationer på Vertex AI eller Bedrock

Hvis din organisation har valgt Google Vertex AI eller Amazon Bedrock som gateway, kører dens AI-funktioner dér. Talebeskeder i de organisationer kommer i øjeblikket som en optagelse uden transskription: Vi har målt Google Cloud Speech-to-Text og Amazon Transcribe, som dette indlæg viser, men har endnu ikke koblet dem på produktet. Tilladelserne og integrationskoden findes; dette indlæg opdateres, når de ligger på vejen for hver besked. Indtil da er en talebesked i en Vertex AI- eller Bedrock-organisation en optagelse, der kan afspilles. En organisation, der skifter sin gateway til Azure, får transskriptioner på de beskeder, der sendes fra det tidspunkt.

FAQ

Hvilken tale-til-tekst-tjeneste bruger InterMIND?

Til talebeskeder i chat bruger vi Azure AI Speech (fast transcription API) i InterMINDs egen Azure-tenant i Sweden Central, taletjenesten i standard-AI-gatewayen. Live tale i møder er en anden vej: Den kører på InterMINDs egen mediemotor, Mind API, hostet hos OVH i Frankrig, og rører aldrig en cloud-taletjeneste (hvor ét møde kører).

Er Azure AI Speech mere præcis end Google Speech-to-Text eller Amazon Transcribe?

På vores sæt med 153 talebeskedklip på 17 sprog, målt samme dag med samme testopsætning, havde Azure AI Speech en gennemsnitlig ordfejlrate på 9 %, Google Cloud Speech-to-Text (Chirp 3) 10 % og Amazon Transcribe 10 %. Pr. sprog skifter rækkefølgen: Azure var lavest på fransk, engelsk og kinesisk, Amazon Transcribe på arabisk, Google på russisk. På et andet sæt optagelser kan rangordenen være en anden; tabellen ovenfor er belægget for vores.

Hvad er ordfejlrate, og hvordan blev den beregnet her?

Ordfejlrate er antallet af erstattede, indsatte og udeladte ord divideret med antallet af ord i referenceteksten. Vi normaliserer store/små bogstaver, tegnsætning og mellemrum, før vi sammenligner, og sammenligner kinesisk og japansk pr. tegn, fordi de skriftsystemer ikke adskiller ord med mellemrum. En rate på 9 % betyder cirka ét ord ud af elleve afviger fra referencen.

Forlader en talebesveds lyd EU?

Nej. Optagelsen gemmes i InterMINDs objektlager i EU, og den taletjeneste, der transskriberer den, kører i en EU-region: Sweden Central på Azure, eu-multiregionen på Google Cloud, Frankfurt på AWS. Den fulde liste over parter og regioner findes på siden om underdatabehandlere og på trust-siden.

Hvorfor ikke genkende tale på klientsiden, i appen, så lyden aldrig forlader telefonen?

Det målte vi også, i september 2026. Chromes indbyggede genkender med lokal behandling genkendte 0 af 17 formelle klip på tværs af produktets sprog, og sprogdækningen hos genkendere på klientsiden er langt smallere end de 17 sprog i tabellen ovenfor. Genkendelse på klientsiden er en retning, vi måler igen, efterhånden som platformene forbedres; i dag er gatewayvejen den, der virker for alle medlemmer på alle sprog.

Kan vores organisation vælge, hvilken taletjeneste der transskriberer dens talebeskeder?

Ikke separat: AI-gatewayen er det, en organisationsadministrator vælger på siden Integrations. På standardgatewayen transskriberes talebeskeder af Azure AI Speech. På Vertex AI og Amazon Bedrock bliver talebeskeder endnu ikke transskriberet, se afsnittet ovenfor.

Hvor lang kan en talebesked være, og begrænser API'et det?

Op til ti minutter. Azures fast transcription accepterer filer på op til 5 timer og 500 MB i én forespørgsel, så en besked transskriberes i ét kald. Googles synkrone genkendelse accepterer 60 sekunder og 10 MB, og derfor skar testopsætningen de lange klip i stykker ved pauser.

Hvorfor får genkenderen at vide, hvilket sprog afsenderen taler, i stedet for selv at registrere det?

Fordi en talebesked er kort. På et klip på fire sekunder kan automatisk sprogidentifikation returnere det forkerte sprog (en russisk testbesked kom tilbage som engelsk), mens et medlems profilsprog er rigtigt næsten hver gang. Genkenderen får det sprog, og kun når det er ukendt, får den rummets sprog som kandidater.

Bliver mødelyd transskriberet af den samme tjeneste?

Nej. Live tale i et møde genkendes og oversættes på InterMINDs egen motor (Mind API) på den medieserver, der bærer opkaldet, hostet hos OVH i Frankrig, se hvor ét møde kører. Cloud-gatewayen ser tekst, aldrig lyden fra et opkald (møde-AI på din egen gateway).

Vil I offentliggøre resultaterne igen?

Testopsætningen kører på én kommando, og alle motorers tilladelser er på plads, så tabellen kan måles igen, når en leverandør udgiver en ny model. Når det ændrer billedet, opdateres dette indlæg med datoen.

Se det selv

• Læs, hvordan talebeskeder fungerer — optagelse, grænsen på ti minutter og hvor lyden går hen.
• Se listen over underdatabehandlere — leverandør, land, formål og region for hver part, der behandler dine data.
• Prøv live-demoen — den rigtige oversættelsespipeline på din egen lyd, uden tilmelding.

Kilder: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) og Speech-regionstabellen (learn.microsoft.com); Google Cloud — Chirp 3-model (docs.cloud.google.com), grænser for synkron genkendelse (docs.cloud.google.com) og understøttede sprog (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpoints og kvoter (docs.aws.amazon.com) og understøttede sprog (docs.aws.amazon.com); alt tjekket september 2026. Måling: InterMIND speech bench, 16.9.2026, 153 klip, 17 sprog.