Azure AI Speech vs. Google Chirp 3 vs. Amazon Transcribe an 153 Sprachnachrichten: Warum InterMIND die Spracherkennung auf dem eigenen Cloud-Gateway Ihrer Organisation betreibt (2026)

Eine Sprachnachricht in einem InterMIND-Kanal wird zu einer Textnachricht, die jedes Teammitglied in der eigenen Sprache liest. Der erste Schritt dahin ist Speech-to-Text. Die Frage, die die IT eines Gastgebers oder die Prüferin eines Kunden stellt, lautet jedoch nicht „Wie genau ist es?“, sondern „Wessen Dienst ist das, und wohin geht das Audio?“

Die kurze Antwort: Azure AI Speech, der Speech-Dienst des Standard-KI-Gateways, im eigenen Azure-Tenant von InterMIND in Schweden Mitte (Sweden Central). Dazu kommen die Speech-Dienste der beiden anderen Gateways, die eine Organisation wählen kann. Wir haben sie auf denselben Clips gemessen, damit die Wahl eine Zahl ist und keine Vorliebe. Dieser Beitrag zeigt die Zahlen hinter dieser Entscheidung: dieselben 153 Clips durch Azure AI Speech, Google Cloud Speech-to-Text und Amazon Transcribe, am selben Tag. Außerdem nennt er die zwei Fakten zu jeder API, die mehr zählen als ein Prozentpunkt Genauigkeit.

Zuerst die Regel: ein Gateway pro Organisation

Jede KI-Funktion in InterMIND läuft über ein Sprachmodell-Gateway, das die Organisation auswählt. Das gilt für Meeting-Recaps, Dokumentzusammenfassungen, den Schreibassistenten, Ask AI und Mia im Meeting. Standard ist Azure OpenAI in der EU Data Zone. Auf Wunsch gibt es Google Vertex AI am EU-Multi-Region-Endpunkt oder Amazon Bedrock in Frankfurt, jeweils im eigenen Tenant von InterMIND. Die Überlegung dahinter haben wir in Meeting-KI auf Ihrem eigenen Cloud-Gateway erläutert: Für die meisten Organisationen steht dieses Gateway bereits auf der freigegebenen Liste der Unterauftragsverarbeiter, sodass eine KI-Funktion kein neues Unternehmen auf die Liste bringt.

Speech-to-Text für Sprachnachrichten folgt heute auf dem Standard-Gateway derselben Regel. Jedes der drei Gateways hat neben seinen Sprachmodellen einen Speech-Dienst. Genau den misst dieser Beitrag:

Dem Spracherkenner wird in jedem Fall die Sprache des Sprechers mitgeteilt, also die Sprache, die ein Mitglied in seinem Profil eingestellt hat. Die automatische Spracherkennung erwies sich in unseren Tests bei kurzen Clips als unzuverlässig: Eine vierSekunden lange russische Nachricht kam als Englisch zurück. So ruft das Produkt Azure heute auf, und der Test ruft die beiden anderen genauso auf.

Was wir gemessen haben

Das Set. 153 Clips in 17 Sprachen: 136 Dialogbeiträge sowie 17 formelle Passagen. Die Dialogbeiträge stammen aus zwei Geschäftsdialogen (Vertragsverhandlung und Daily Standup), gesprochen von den zwei synthetischen Stimmen des Produkts in zehn Sprachen. Die formellen Passagen sind die FLORES-200-Business-Sätze unseres öffentlichen Übersetzungs-Benchmarks, von einer synthetischen Stimme gelesen, eine je Sprache und 71 bis 109 Sekunden lang. Die Dialogbeiträge dauern 3 bis 30 Sekunden, so lang wie eine echte Sprachnachricht.

Die Metrik. Wortfehlerrate (Word Error Rate, WER) gegenüber dem Referenztext, also der Anteil der Wörter, die ersetzt, eingefügt oder gelöscht wurden. Vorher wurden Groß- und Kleinschreibung, Satzzeichen und Leerraum normalisiert; Chinesisch und Japanisch werden pro Zeichen verglichen. Die Zeichenfehlerrate wurde parallel erfasst und erzählt dieselbe Geschichte.

Der Messaufbau. Ein Skript, ein Rechner, eine Stunde am 16.09.2026, jede Engine über alle 153 Clips. Azure und Amazon Transcribe erhielten jeden Clip am Stück. Der synchrone Erkenner von Google nimmt höchstens 60 Sekunden an. Deshalb wurden die 17 formellen Clips an Pausen in Stücke unter 55 Sekunden geschnitten und die Transkripte zusammengefügt; die 136 Dialogclips gingen am Stück durch. Amazon Transcribe erwartet Audio im Echtzeit-Tempo, daher fütterte der Messaufbau es viermal schneller als in Echtzeit. Der unten genannte Latenzwert ist deshalb eine durch die Zufuhr bestimmte Untergrenze und keine Eigenschaft des Dienstes.

Was das nicht ist. Synthetische Stimmen in ruhigem Audio, keine Feldaufnahmen vom Handy im Auto. Ein Tag, ein Durchlauf pro Clip. Es ist ein Vergleich auf dem Audio, mit dem unsere eigene Übersetzungs-Pipeline getestet wird, in den Sprachen, in denen unsere Nutzer schreiben. Es ist keine Bestenliste.

Ergebnisse: Wortfehlerrate pro Sprache

Mittlere WER über die Clips jeder Sprache; jede Engine lieferte für alle 153 Clips ein Transkript.

Sprachen mit nur einem Clip (ausschließlich die formelle Passage) sind der Vollständigkeit halber aufgeführt; ein Wert aus einem Clip ist ein Datenpunkt, keine Rate.

Was die Zahlen sagen

• Über das gesamte Set liegen die drei Dienste innerhalb eines Punkts: 9 %, 10 % und 10 %. Jeder der 153 Clips kam von jeder Engine mit einem Transkript zurück, die Abdeckung der 17 Sprachen ist bei allen dreien vollständig.
• Die Unterschiede liegen pro Sprache, und sie gehen in beide Richtungen. Azure hatte die niedrigste Fehlerrate bei Französisch (5 % gegenüber 11 % und 12 %) und Deutsch (7 % gegenüber 9 % und 13 %). Bei Englisch (2 %, gleichauf mit Amazon Transcribe) und Chinesisch (3 %, gleichauf mit Google) lag es ebenfalls vorn. Amazon Transcribe hatte die niedrigste Rate bei Arabisch (26 % gegenüber 32 % und 46 %). Google hatte die niedrigste bei Russisch (10 % gegenüber 14 % und 14 %), Portugiesisch, Ungarisch und Türkisch.
• Arabisch ist für alle drei schwierig. Das beste Ergebnis bei den arabischen Dialogclips bedeutet: jedes vierte Wort falsch. Das passt zu dem, was wir auf der Übersetzungsseite gesehen haben. Dort haben wir Arabisch im August 2026 aus der Sprachauswahl für Meetings genommen, bis die Qualität unsere Schwelle erreicht (wie viele Sprachen wir unterstützen).
• Die Verarbeitungszeit liegt bei allen dreien deutlich unter Echtzeit. Eine 30-Sekunden-Nachricht braucht in diesem Messaufbau etwa drei Sekunden bei Azure und etwa sieben bei Google; der Amazon-Wert wird von der getakteten Zufuhr dominiert.

Warum Azure AI Speech der Standard bleibt

Drei Gründe, in der Reihenfolge, in der sie entschieden haben.

1. Das Standard-Gateway ist Azure. Eine Organisation, die kein Gateway gewählt hat, betreibt ihre KI-Funktionen auf Azure OpenAI in der EU Data Zone. Ihre Sprachnachrichten werden daher von Azure AI Speech im selben Tenant transkribiert. Kein zusätzlicher Unterauftragsverarbeiter, keine zusätzliche Region. Microsoft gibt an, dass Azure Speech keine Daten außerhalb der Region der Speech-Ressource speichert oder verarbeitet (Regionenseite, geprüft im September 2026). Unsere Ressource liegt in Sweden Central, das für Fast Transcription aufgeführt ist.

2. Die API-Form passt zu einer Sprachnachricht. Eine Sprachnachricht in InterMIND kann bis zu zehn Minuten lang sein (Sprachnachrichten). Die Fast Transcription von Azure nimmt die ganze Aufnahme in einer Anfrage entgegen. Die synchrone Erkennung von Google endet bei 60 Sekunden. Eine zehnminütige Nachricht braucht daher Batch-Erkennung über einen Storage-Bucket oder eine Streaming-Sitzung. Amazon Transcribe streamt, akzeptiert aber PCM, FLAC oder Ogg-Opus statt der Formate, in denen Handys und Browser aufnehmen, sodass das Audio zuerst transkodiert wird. Beides ist lösbar, der Messaufbau löst es, aber es sind mehr bewegliche Teile auf dem Weg jeder einzelnen Nachricht.

3. Die Zahlen sprechen nicht dagegen. Bei 9 % gegenüber 10 % und 10 % ist keine Engine auf diesem Set so viel besser, dass es rechtfertigen würde, Sprachnachrichten vom Standard-Gateway wegzubewegen. Hätten Google oder Amazon nur die halbe Fehlerrate erreicht, würde dieser Beitrag das sagen.

Was das für Organisationen auf Vertex AI oder Bedrock bedeutet

Wenn Ihre Organisation Google Vertex AI oder Amazon Bedrock als Gateway gewählt hat, laufen Ihre KI-Funktionen dort. Sprachnachrichten kommen in diesen Organisationen derzeit als Aufnahme ohne Transkript an: Wir haben Google Cloud Speech-to-Text und Amazon Transcribe wie in diesem Beitrag gezeigt gemessen, aber noch nicht ins Produkt eingebunden. Die Berechtigungen und der Integrationscode sind vorhanden; dieser Beitrag wird aktualisiert, sobald sie auf dem Weg jeder Nachricht liegen. Bis dahin ist eine Sprachnachricht in einer Organisation auf Vertex AI oder Bedrock eine abspielbare Aufnahme. Eine Organisation, die ihr Gateway auf Azure umstellt, erhält Transkripte für die ab dann gesendeten Nachrichten.

FAQ

Welchen Speech-to-Text-Dienst verwendet InterMIND?

Für Sprachnachrichten im Chat Azure AI Speech (Fast-Transcription-API) im eigenen Azure-Tenant von InterMIND in Sweden Central, dem Speech-Dienst des Standard-KI-Gateways. Live-Sprache in Meetings ist ein anderer Pfad: Sie läuft auf der eigenen Media-Engine von InterMIND, der Mind API, gehostet bei OVH in Frankreich, und berührt nie einen Cloud-Speech-Dienst (wo ein Meeting läuft).

Ist Azure AI Speech genauer als Google Speech-to-Text oder Amazon Transcribe?

Auf unserem Set aus 153 Sprachnachrichten-Clips in 17 Sprachen, am selben Tag mit demselben Messaufbau gemessen, hatte Azure AI Speech eine mittlere Wortfehlerrate von 9 %, Google Cloud Speech-to-Text (Chirp 3) 10 % und Amazon Transcribe 10 %. Pro Sprache ändert sich die Reihenfolge: Azure war am niedrigsten bei Französisch, Englisch und Chinesisch, Amazon Transcribe bei Arabisch, Google bei Russisch. Bei anderen Aufnahmen kann das Ranking abweichen; die Tabelle oben ist der Beleg für unser Set.

Was ist die Wortfehlerrate, und wie wurde sie hier berechnet?

Die Wortfehlerrate ist die Zahl der ersetzten, eingefügten und gelöschten Wörter, geteilt durch die Zahl der Wörter im Referenztext. Wir normalisieren vor dem Vergleich Groß- und Kleinschreibung, Satzzeichen und Leerraum. Chinesisch und Japanisch vergleichen wir pro Zeichen, weil diese Schriften Wörter nicht durch Leerzeichen trennen. Eine Rate von 9 % bedeutet, dass etwa jedes elfte Wort vom Referenztext abweicht.

Verlässt das Audio einer Sprachnachricht die EU?

Nein. Die Aufnahme wird im Objektspeicher von InterMIND in der EU abgelegt, und der Speech-Dienst, der sie transkribiert, läuft in einer EU-Region: Sweden Central bei Azure, die eu-Multi-Region bei Google Cloud, Frankfurt bei AWS. Die vollständige Liste der Parteien und Regionen finden Sie auf der Seite der Unterauftragsverarbeiter und auf der Trust-Seite.

Warum erkennt man Sprache nicht clientseitig in der App, sodass das Audio das Handy nie verlässt?

Auch das haben wir im September 2026 gemessen. Der eingebaute Spracherkenner von Chrome mit lokaler Verarbeitung erkannte 0 von 17 formellen Clips in den Produktsprachen. Die Sprachabdeckung clientseitiger Erkenner ist zudem deutlich schmaler als die 17 Sprachen in der Tabelle oben. Clientseitige Erkennung ist eine Richtung, die wir mit den Fortschritten der Plattformen erneut messen; heute ist der Weg über das Gateway der, der für jedes Mitglied in jeder Sprache funktioniert.

Kann unsere Organisation wählen, welcher Speech-Dienst ihre Sprachnachrichten transkribiert?

Nicht getrennt: Das KI-Gateway ist das, was ein Organisationsadmin auf der Seite „Integrationen“ auswählt. Auf dem Standard-Gateway werden Sprachnachrichten von Azure AI Speech transkribiert. Auf Vertex AI und Amazon Bedrock werden Sprachnachrichten noch nicht transkribiert, siehe den Abschnitt oben.

Wie lang darf eine Sprachnachricht sein, und begrenzt die API das?

Bis zu zehn Minuten. Die Fast Transcription von Azure akzeptiert Dateien bis 5 Stunden und 500 MB in einer Anfrage, sodass eine Nachricht in einem einzigen Aufruf transkribiert wird. Die synchrone Erkennung von Google akzeptiert 60 Sekunden und 10 MB, weshalb der Messaufbau die langen Clips an Pausen in Stücke geschnitten hat.

Warum wird dem Spracherkenner die Sprache des Sprechers mitgeteilt, statt sie zu erkennen?

Weil eine Sprachnachricht kurz ist. Bei einem vierSekunden-Clip kann die automatische Spracherkennung die falsche Sprache liefern, eine russische Testnachricht kam als Englisch zurück. Die Profilsprache eines Mitglieds stimmt fast immer. Der Spracherkenner erhält diese Sprache, und nur wenn sie unbekannt ist, bekommt er die Sprachen des Raums als Kandidaten.

Wird das Meeting-Audio vom selben Dienst transkribiert?

Nein. Live-Sprache in einem Meeting wird auf der eigenen Engine von InterMIND (der Mind API) auf dem Media-Server erkannt und übersetzt, der den Call trägt und bei OVH in Frankreich gehostet ist, siehe wo ein Meeting läuft. Das Cloud-Gateway sieht Text, nie das Audio eines Calls (Meeting-KI auf Ihrem eigenen Gateway).

Werden Sie die Ergebnisse erneut veröffentlichen?

Der Messaufbau läuft mit einem Befehl, und die Berechtigungen für jede Engine sind vorhanden. Die Tabelle lässt sich also neu messen, wenn ein Anbieter ein neues Modell veröffentlicht. Ändert sich dadurch das Bild, wird dieser Beitrag mit Datum aktualisiert.

Selbst ausprobieren

• Lesen Sie, wie Sprachnachrichten funktionieren — Aufnahme, das Zehn-Minuten-Limit und wohin das Audio geht.
• Sehen Sie die Liste der Unterauftragsverarbeiter — Anbieter, Land, Zweck und Region jeder Partei, die Ihre Daten verarbeitet.
• Probieren Sie die Live-Demo aus — die Übersetzungs-Pipeline aus dem Produktivbetrieb mit Ihrem eigenen Audio, ohne Anmeldung.

Quellen: Microsoft — Azure AI Speech Fast Transcription (learn.microsoft.com) und Tabelle der Speech-Regionen (learn.microsoft.com); Google Cloud — Modell Chirp 3 (docs.cloud.google.com), Limits der synchronen Erkennung (docs.cloud.google.com) und unterstützte Sprachen (docs.cloud.google.com); AWS — Amazon Transcribe Streaming (docs.aws.amazon.com), Endpunkte und Kontingente (docs.aws.amazon.com) und unterstützte Sprachen (docs.aws.amazon.com); alle geprüft im September 2026. Messung: InterMIND Speech-Benchmark, 16.09.2026, 153 Clips, 17 Sprachen.