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 dabei ist Speech-to-Text. Die Frage, die die IT eines Hosts oder der Prüfer eines Kunden stellt, lautet aber nicht „Wie genau ist das?“, sondern „Wessen Dienst ist das, und wohin geht das Audio?“

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

Zuerst die Regel: ein Gateway pro Organisation

Jede KI-Funktion in InterMIND läuft auf einem Sprachmodell-Gateway, das die Organisation auswählt. Das gilt für Besprechungsprotokolle, Dokumentzusammenfassungen, den Schreibassistenten, Ask AI und Mia im Meeting. Standardmäßig ist das Azure OpenAI in der EU Data Zone. Auf Wunsch sind 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 erklärt: Für die meisten Organisationen steht dieses Gateway bereits auf der Liste freigegebener 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 Sprachdienst, und genau diese messen wir hier:

Dem Spracherkenner wird in jedem Fall die eigene 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 nämlich als unzuverlässig: Eine vier Sekunden 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 und 17 formale Passagen. Die Dialogbeiträge stammen aus zwei Geschäftsdialogen (eine Vertragsverhandlung und ein Daily Standup), gesprochen von den beiden synthetischen Stimmen des Produkts in zehn Sprachen. Die formalen Passagen sind die FLORES-200-Geschäftssätze unseres öffentlichen Übersetzungs-Benchmarks, von einer synthetischen Stimme gelesen, eine pro Sprache und 71 bis 109 Sekunden lang. Die Dialogbeiträge dauern 3 bis 30 Sekunden, so lang wie eine echte Sprachnachricht.

Die Metrik. Wortfehlerrate (WER) gegenüber dem Referenztext, also der Anteil der ersetzten, eingefügten oder ausgelassenen Wörter, nach Normalisierung von Groß- und Kleinschreibung, Zeichensetzung und Leerraum. Chinesisch und Japanisch werden zeichenweise verglichen. Die Zeichenfehlerrate wurde parallel erfasst und zeigt dasselbe Bild.

Der Testaufbau. Ein Skript, ein Rechner, eine Stunde am 2026-09-16, jede Engine über alle 153 Clips. Azure und Amazon Transcribe erhielten jeden Clip am Stück. Googles synchroner Erkenner nimmt höchstens 60 Sekunden entgegen. Deshalb wurden die 17 formalen Clips an Sprechpausen in Stücke unter 55 Sekunden geschnitten und die Transkripte zusammengefügt; die 136 Dialog-Clips gingen am Stück durch. Amazon Transcribe erwartet Audio im Echtzeit-Tempo, daher fütterte der Testaufbau es viermal schneller als Echtzeit. Der unten genannte Latenzwert ist deshalb eine durch die Zuspielung gesetzte 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, an dem unsere eigene Übersetzungspipeline getestet wird, in den Sprachen, in denen unsere Nutzer schreiben, und 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 formale Passage) sind der Vollständigkeit halber aufgeführt; ein Wert aus einem einzigen Clip ist ein Datenpunkt, keine Rate.

Was die Zahlen sagen

• Über das gesamte Set liegen die drei Dienste innerhalb eines Prozentpunkts: 9 %, 10 % und 10 %. Zu jedem der 153 Clips lieferte jede Engine ein Transkript, 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 %, gemeinsam mit Amazon Transcribe) und Chinesisch (3 %, gemeinsam mit Google) lag es gleichauf vorn. Amazon Transcribe war bei Arabisch am besten (26 % gegenüber 32 % und 46 %). Google lag bei Russisch (10 % gegenüber 14 % und 14 %), Portugiesisch, Ungarisch und Türkisch vorn.
• Arabisch ist für alle drei schwierig. Das beste Ergebnis bei den arabischen Dialog-Clips 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 Meeting-Sprachauswahl 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 Testaufbau bei Azure etwa drei Sekunden und bei Google etwa sieben; der Amazon-Wert wird von der getakteten Zuspielung bestimmt.

Warum Azure AI Speech der Standard bleibt

Drei Gründe, in der Reihenfolge, in der sie die Entscheidung getroffen 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 im selben Tenant von Azure AI Speech transkribiert. Kein zusätzlicher Unterauftragsverarbeiter, keine zusätzliche Region. Microsoft gibt an, dass Azure Speech keine Daten außerhalb der Region der Speech-Ressource speichert oder verarbeitet (Seite zu den Regionen, geprüft im September 2026). Unsere Ressource liegt in Sweden Central, das für Fast Transcription gelistet 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 einzigen Anfrage entgegen. Googles synchrone Erkennung endet bei 60 Sekunden, eine zehnminütige Nachricht braucht also 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 Smartphones und Browser aufnehmen, sodass das Audio zuerst transkodiert wird. Beides ist lösbar, der Testaufbau löst es, aber es sind mehr bewegliche Teile im Pfad 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 sich rechtfertigen ließe, Sprachnachrichten vom Standard-Gateway wegzunehmen. Hätten Google oder Amazon 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 in diesen Organisationen kommen derzeit als Aufnahme ohne Transkript an. Wir haben Google Cloud Speech-to-Text und Amazon Transcribe gemessen, wie dieser Beitrag zeigt, sie aber noch nicht in das Produkt eingebunden. Die Berechtigungen und der Integrationscode existieren; dieser Beitrag wird aktualisiert, sobald beide im Pfad jeder Nachricht sind. Bis dahin ist eine Sprachnachricht in einer Vertex-AI- oder Bedrock-Organisation eine abspielbare Aufnahme. Eine Organisation, die ihr Gateway auf Azure umstellt, erhält Transkripte für alle Nachrichten, die ab diesem Zeitpunkt gesendet werden.

FAQ

Welchen Speech-to-Text-Dienst nutzt InterMIND?

Für Sprachnachrichten im Chat nutzt InterMIND Azure AI Speech (Fast-Transcription-API) im eigenen Azure-Tenant von InterMIND in Sweden Central, dem Sprachdienst des Standard-KI-Gateways. Live-Sprache in Meetings läuft über einen anderen Pfad: über die eigene Media-Engine von InterMIND, die Mind API, gehostet bei OVH in Frankreich, und berührt nie einen Cloud-Sprachdienst (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 Testaufbau gemessen, erreichte 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 bei Französisch, Englisch und Chinesisch am besten, Amazon Transcribe bei Arabisch, Google bei Russisch. Bei anderen Aufnahmen kann das Ranking anders ausfallen; für unser Set ist die Tabelle oben der Beleg.

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

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

Verlässt das Audio einer Sprachnachricht die EU?

Nein. Die Aufnahme liegt im Objektspeicher von InterMIND in der EU, und der Sprachdienst, 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 zu den Unterauftragsverarbeitern und auf der Trust-Seite.

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

Auch das haben wir im September 2026 gemessen. Die integrierte Spracherkennung von Chrome mit lokaler Verarbeitung erkannte 0 von 17 formalen Clips über alle Produktsprachen hinweg, und die Sprachabdeckung clientseitiger Erkenner ist weit schmaler als die 17 Sprachen in der Tabelle oben. Clientseitige Erkennung ist eine Richtung, die wir mit den Fortschritten der Plattformen neu messen. Heute ist der Gateway-Pfad derjenige, der für jedes Mitglied in jeder Sprache funktioniert.

Kann unsere Organisation wählen, welcher Sprachdienst ihre Sprachnachrichten transkribiert?

Nicht separat: Ausgewählt wird das KI-Gateway, und zwar von einem Organisations-Admin auf der Seite „Integrationen“. 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 sie?

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

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

Weil eine Sprachnachricht kurz ist. Bei einem Clip von vier Sekunden kann die automatische Spracherkennung die falsche Sprache liefern, eine russische Testnachricht kam als Englisch zurück. Die Profilsprache eines Mitglieds stimmt fast immer. Der Spracherkenner bekommt 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 Anruf trägt, gehostet bei OVH in Frankreich, siehe wo ein Meeting läuft. Das Cloud-Gateway sieht Text, nie das Audio eines Anrufs (Meeting-KI auf Ihrem eigenen Gateway).

Veröffentlichen Sie die Ergebnisse erneut?

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

Selbst ausprobieren

• So funktionieren Sprachnachrichten: Aufnahme, das Zehn-Minuten-Limit und wohin das Audio geht.
• Liste der Unterauftragsverarbeiter ansehen: Anbieter, Land, Zweck und Region jeder Partei, die Ihre Daten verarbeitet.
• Live-Demo ausprobieren: die produktive Übersetzungspipeline mit Ihrem eigenen Audio, ohne Registrierung.

Quellen: Microsoft – Azure AI Speech Fast Transcription (learn.microsoft.com) und Regionentabelle von Speech (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, 2026-09-16, 153 Clips, 17 Sprachen.