Azure AI Speech έναντι Google Chirp 3 έναντι Amazon Transcribe σε 153 φωνητικά μηνύματα: γιατί το InterMIND εκτελεί τη μετατροπή ομιλίας σε κείμενο στην cloud πύλη του οργανισμού σας (2026)

Ένα φωνητικό μήνυμα σε ένα κανάλι του InterMIND γίνεται μήνυμα κειμένου που κάθε συνάδελφος διαβάζει στη δική του γλώσσα. Το πρώτο βήμα είναι η μετατροπή ομιλίας σε κείμενο. Η ερώτηση που δεχόμαστε από τους υπεύθυνους IT και compliance δεν είναι «πόσο ακριβές είναι», αλλά «σε ποιον ανήκει η υπηρεσία και πού καταλήγει ο ήχος».

Η σύντομη απάντηση: το Azure AI Speech, η υπηρεσία ομιλίας της προεπιλεγμένης πύλης AI, στο δικό του Azure tenant του InterMIND στη Sweden Central. Μετρήσαμε επίσης τις υπηρεσίες ομιλίας των δύο άλλων πυλών που μπορεί να επιλέξει ένας οργανισμός, στα ίδια ακριβώς αποσπάσματα, ώστε η επιλογή να βασίζεται σε αριθμό και όχι σε προτίμηση. Η ανάρτηση παρουσιάζει τους αριθμούς πίσω από αυτή την επιλογή: τα ίδια 153 αποσπάσματα μέσα από το Azure AI Speech, το Google Cloud Speech-to-Text και το Amazon Transcribe την ίδια ημέρα. Παρουσιάζει επίσης τα δύο στοιχεία κάθε API που μετράνε περισσότερο από μια εκατοστιαία μονάδα ακρίβειας.

Πρώτα ο κανόνας: μία πύλη ανά οργανισμό

Κάθε λειτουργία AI στο InterMIND (περιλήψεις σύσκεψης, περιλήψεις εγγράφων, βοηθός γραφής, Ask AI και Mia στη σύσκεψη) εκτελείται σε μία πύλη γλωσσικού μοντέλου που επιλέγει ο οργανισμός: από προεπιλογή το Azure OpenAI στο EU Data Zone, ή κατ' επιλογήν το Google Vertex AI στο πολυπεριφερειακό endpoint της ΕΕ ή το Amazon Bedrock στη Φρανκφούρτη, πάντα στο δικό του tenant του InterMIND. Εξηγήσαμε τη λογική στο άρθρο Meeting AI στη δική σας cloud πύλη: για τους περισσότερους οργανισμούς η πύλη αυτή βρίσκεται ήδη στη λίστα εγκεκριμένων υπο-εκτελούντων την επεξεργασία, επομένως μια λειτουργία AI δεν προσθέτει καμία νέα εταιρεία στη λίστα.

Η μετατροπή ομιλίας σε κείμενο για τα φωνητικά μηνύματα ακολουθεί σήμερα τον ίδιο κανόνα στην προεπιλεγμένη πύλη. Καθεμία από τις τρεις πύλες έχει υπηρεσία ομιλίας δίπλα στα γλωσσικά της μοντέλα, και αυτό ακριβώς μετράει η παρούσα ανάρτηση:

Σε κάθε περίπτωση, ο αναγνωριστής ομιλίας ενημερώνεται για τη γλώσσα του ομιλητή, δηλαδή τη γλώσσα που όρισε το μέλος στο προφίλ του. Στις δοκιμές μας ο αυτόματος εντοπισμός γλώσσας αποδείχθηκε αναξιόπιστος σε σύντομα αποσπάσματα: μια ρωσική σημείωση τεσσάρων δευτερολέπτων επέστρεψε ως αγγλική. Έτσι καλεί σήμερα το προϊόν το Azure, και η δοκιμή καλεί με τον ίδιο τρόπο και τις άλλες δύο υπηρεσίες.

Τι μετρήσαμε

Το σύνολο δεδομένων. 153 αποσπάσματα σε 17 γλώσσες: 136 τμήματα διαλόγου, δηλαδή δύο επαγγελματικοί διάλογοι (μια διαπραγμάτευση συμβολαίου και ένα καθημερινό stand-up) που εκφωνούνται από τις δύο συνθετικές φωνές του προϊόντος σε δέκα γλώσσες, συν 17 τυπικά κείμενα. Τα τελευταία είναι οι επαγγελματικές προτάσεις FLORES-200 του δημόσιου benchmark μετάφρασής μας, που διαβάζονται από συνθετική φωνή, ένα ανά γλώσσα, διάρκειας 71 έως 109 δευτερολέπτων. Τα τμήματα διαλόγου διαρκούν 3 έως 30 δευτερόλεπτα, όσο ένα πραγματικό φωνητικό μήνυμα.

Η μετρική. Το ποσοστό σφαλμάτων λέξεων (WER) σε σχέση με το κείμενο αναφοράς, δηλαδή το κλάσμα των λέξεων που αντικαταστάθηκαν, εισήχθησαν ή διαγράφηκαν, αφού ομογενοποιηθούν πεζά/κεφαλαία, στίξη και κενά. Τα κινεζικά και τα ιαπωνικά συγκρίνονται ανά χαρακτήρα. Καταγράψαμε παράλληλα και το ποσοστό σφαλμάτων χαρακτήρων, που δείχνει την ίδια εικόνα.

Το σύστημα δοκιμής. Ένα script, ένα μηχάνημα, μία ώρα στις 2026-09-16, με κάθε μηχανή να περνά και τα 153 αποσπάσματα. Το Azure και το Amazon Transcribe πήραν κάθε απόσπασμα ολόκληρο. Η σύγχρονη αναγνώριση της Google δέχεται το πολύ 60 δευτερόλεπτα, γι' αυτό τα 17 τυπικά αποσπάσματα κόπηκαν στις σιωπές σε τμήματα κάτω των 55 δευτερολέπτων και οι μεταγραφές ενώθηκαν· τα 136 αποσπάσματα διαλόγου πέρασαν ολόκληρα. Το Amazon Transcribe θέλει ήχο με ρυθμό πραγματικού χρόνου, οπότε το σύστημα δοκιμής το τροφοδότησε τέσσερις φορές ταχύτερα από τον πραγματικό χρόνο. Ο χρόνος επεξεργασίας που αναφέρεται παρακάτω για την υπηρεσία είναι επομένως κατώτατο όριο που ορίζει η τροφοδοσία, όχι η υπηρεσία.

Τι δεν είναι αυτή η δοκιμή. Χρησιμοποιεί συνθετικές φωνές σε ήσυχο ήχο, όχι ηχογραφήσεις πεδίου από ένα τηλέφωνο μέσα σε αυτοκίνητο. Έγινε μία ημέρα, με μία εκτέλεση ανά απόσπασμα. Είναι σύγκριση πάνω στον ήχο με τον οποίο δοκιμάζεται η δική μας γραμμή μετάφρασης, στις γλώσσες στις οποίες γράφουν οι χρήστες μας, όχι κατάταξη.

Αποτελέσματα: ποσοστό σφαλμάτων λέξεων ανά γλώσσα

Μέσο WER στα αποσπάσματα κάθε γλώσσας· κάθε μηχανή επέστρεψε μεταγραφή για και τα 153 αποσπάσματα.

Οι γλώσσες με ένα μόνο απόσπασμα (μόνο το τυπικό κείμενο) εμφανίζονται για πληρότητα· το νούμερο ενός αποσπάσματος είναι σημείο δεδομένων, όχι ποσοστό.

Τι δείχνουν οι αριθμοί

• Στο σύνολο, οι τρεις υπηρεσίες απέχουν μία μονάδα μεταξύ τους: 9%, 10% και 10%. Και τα 153 αποσπάσματα επέστρεψαν μεταγραφή από κάθε μηχανή, άρα η κάλυψη των 17 γλωσσών είναι πλήρης και στις τρεις.
• Οι διαφορές εντοπίζονται ανά γλώσσα και πηγαίνουν και προς τις δύο κατευθύνσεις. Το Azure είχε το χαμηλότερο ποσοστό σφαλμάτων στα γαλλικά (5% έναντι 11% και 12%) και στα γερμανικά (7% έναντι 9% και 13%), και ισοβάθμησε στο χαμηλότερο στα αγγλικά (2%, με το Amazon Transcribe) και στα κινεζικά (3%, με την Google). Το Amazon Transcribe είχε το χαμηλότερο στα αραβικά (26% έναντι 32% και 46%). Η Google είχε το χαμηλότερο στα ρωσικά (10% έναντι 14% και 14%), στα πορτογαλικά, στα ουγγρικά και στα τουρκικά.
• Τα αραβικά είναι δύσκολα και για τις τρεις. Το καλύτερο αποτέλεσμα στα αποσπάσματα αραβικού διαλόγου είναι μία λέξη στις τέσσερις λάθος. Αυτό συμφωνεί με ό,τι είδαμε στην πλευρά της μετάφρασης, όπου αποσύραμε τα αραβικά από τον επιλογέα γλώσσας σύσκεψης τον Αύγουστο 2026 μέχρι η ποιότητα να περάσει το όριό μας (πόσες γλώσσες υποστηρίζουμε).
• Ο χρόνος επεξεργασίας είναι πολύ κάτω από τον πραγματικό χρόνο και στις τρεις. Ένα μήνυμα 30 δευτερολέπτων χρειάζεται περίπου τρία δευτερόλεπτα στο Azure και περίπου επτά στη Google σε αυτό το σύστημα δοκιμής· το νούμερο του Amazon καθορίζεται κυρίως από τον ρυθμό τροφοδοσίας.

Γιατί το Azure AI Speech παραμένει η προεπιλογή

Τρεις λόγοι, με τη σειρά που έκριναν το θέμα.

1. Η προεπιλεγμένη πύλη είναι το Azure. Ένας οργανισμός που δεν έχει επιλέξει πύλη εκτελεί τις λειτουργίες AI του στο Azure OpenAI στο EU Data Zone, οπότε τα φωνητικά του μηνύματα μεταγράφονται από το Azure AI Speech στο ίδιο tenant. Δεν προστίθεται υπο-εκτελών την επεξεργασία ούτε περιοχή. Η Microsoft δηλώνει ότι το Azure Speech δεν αποθηκεύει ούτε επεξεργάζεται δεδομένα εκτός της περιοχής του πόρου Speech (σελίδα περιοχών, έλεγχος Σεπτέμβριος 2026)· ο πόρος μας βρίσκεται στη Sweden Central, που περιλαμβάνεται στις περιοχές για fast transcription.

2. Το σχήμα του API ταιριάζει σε ένα φωνητικό μήνυμα. Ένα φωνητικό μήνυμα στο InterMIND μπορεί να διαρκεί έως δέκα λεπτά (φωνητικά μηνύματα). Το fast transcription του Azure δέχεται ολόκληρη την ηχογράφηση σε ένα αίτημα. Η σύγχρονη αναγνώριση της Google σταματά στα 60 δευτερόλεπτα, οπότε ένα μήνυμα δέκα λεπτών απαιτεί αναγνώριση batch μέσω storage bucket ή συνεδρία streaming. Το Amazon Transcribe κάνει streaming, αλλά δέχεται PCM, FLAC ή Ogg-Opus και όχι τις μορφές στις οποίες ηχογραφούν τα τηλέφωνα και οι browsers, οπότε ο ήχος πρέπει πρώτα να μετατραπεί. Και τα δύο λύνονται (το σύστημα δοκιμής τα λύνει), αλλά είναι περισσότερα κινούμενα μέρη στη διαδρομή κάθε μηνύματος.

3. Οι αριθμοί δεν το αντικρούουν. Με 9% έναντι 10% και 10%, καμία μηχανή σε αυτό το σύνολο δεν είναι αρκετά καλύτερη ώστε να δικαιολογεί τη μεταφορά των φωνητικών μηνυμάτων εκτός της προεπιλεγμένης πύλης. Αν η Google ή το Amazon είχαν φτάσει στο μισό ποσοστό σφαλμάτων, αυτή η ανάρτηση θα το έλεγε.

Τι σημαίνει αυτό για οργανισμούς στο Vertex AI ή στο Bedrock

Αν ο οργανισμός σας έχει επιλέξει το Google Vertex AI ή το Amazon Bedrock ως πύλη, οι λειτουργίες AI σας εκτελούνται εκεί. Τα φωνητικά μηνύματα σε αυτούς τους οργανισμούς φτάνουν προς το παρόν ως ηχογράφηση χωρίς μεταγραφή: έχουμε μετρήσει το Google Cloud Speech-to-Text και το Amazon Transcribe, όπως δείχνει αυτή η ανάρτηση, αλλά δεν τα έχουμε ακόμη συνδέσει στο προϊόν. Οι άδειες πρόσβασης και ο κώδικας ενσωμάτωσης υπάρχουν· η ανάρτηση ενημερώνεται όταν περάσουν στη διαδρομή κάθε μηνύματος. Μέχρι τότε, ένα φωνητικό μήνυμα σε οργανισμό Vertex AI ή Bedrock είναι μια ηχογράφηση που μπορεί να αναπαραχθεί· ένας οργανισμός που αλλάζει την πύλη του σε Azure παίρνει μεταγραφές για τα μηνύματα που στέλνονται από τότε και μετά.

Συχνές ερωτήσεις

Ποια υπηρεσία μετατροπής ομιλίας σε κείμενο χρησιμοποιεί το InterMIND;

Για τα φωνητικά μηνύματα στη συνομιλία, το Azure AI Speech (fast transcription API) στο δικό του Azure tenant του InterMIND στη Sweden Central, δηλαδή την υπηρεσία ομιλίας της προεπιλεγμένης πύλης AI. Η ζωντανή ομιλία στις συσκέψεις ακολουθεί διαφορετική διαδρομή: εκτελείται στη δική του μηχανή πολυμέσων του InterMIND, το Mind API, που φιλοξενείται στην OVH στη Γαλλία, και δεν αγγίζει ποτέ cloud υπηρεσία ομιλίας (πού εκτελείται μια σύσκεψη).

Είναι το Azure AI Speech πιο ακριβές από το Google Speech-to-Text ή το Amazon Transcribe;

Στο σύνολό μας των 153 αποσπασμάτων φωνητικών μηνυμάτων σε 17 γλώσσες, μετρημένο την ίδια ημέρα με το ίδιο σύστημα δοκιμής, το Azure AI Speech είχε μέσο ποσοστό σφαλμάτων λέξεων 9%, το Google Cloud Speech-to-Text (Chirp 3) 10% και το Amazon Transcribe 10%. Ανά γλώσσα η σειρά αλλάζει: το Azure ήταν χαμηλότερο στα γαλλικά, στα αγγλικά και στα κινεζικά, το Amazon Transcribe στα αραβικά, η Google στα ρωσικά. Σε διαφορετικό σύνολο ηχογραφήσεων η κατάταξη μπορεί να διαφέρει· ο παραπάνω πίνακας είναι η τεκμηρίωση για το δικό μας.

Τι είναι το ποσοστό σφαλμάτων λέξεων και πώς υπολογίστηκε εδώ;

Το ποσοστό σφαλμάτων λέξεων είναι ο αριθμός των λέξεων που αντικαταστάθηκαν, εισήχθησαν και διαγράφηκαν, διαιρεμένος με τον αριθμό των λέξεων του κειμένου αναφοράς. Ομογενοποιούμε πεζά/κεφαλαία, στίξη και κενά πριν από τη σύγκριση, και συγκρίνουμε τα κινεζικά και τα ιαπωνικά ανά χαρακτήρα, επειδή αυτά τα συστήματα γραφής δεν διαχωρίζουν τις λέξεις με κενά. Ποσοστό 9% σημαίνει ότι περίπου μία λέξη στις έντεκα διαφέρει από την αναφορά.

Φεύγει ο ήχος ενός φωνητικού μηνύματος από την ΕΕ;

Όχι. Η ηχογράφηση αποθηκεύεται στον αποθηκευτικό χώρο αντικειμένων του InterMIND στην ΕΕ και η υπηρεσία ομιλίας που τη μεταγράφει εκτελείται σε περιοχή της ΕΕ: Sweden Central στο Azure, πολυπεριφέρεια eu στο Google Cloud, Φρανκφούρτη στο AWS. Ο πλήρης κατάλογος των μερών και των περιοχών βρίσκεται στη σελίδα υπο-εκτελούντων την επεξεργασία και στη σελίδα εμπιστοσύνης.

Γιατί να μην αναγνωρίζεται η ομιλία στη συσκευή, μέσα στην εφαρμογή, ώστε ο ήχος να μη φεύγει ποτέ από το τηλέφωνο;

Το μετρήσαμε κι αυτό, τον Σεπτέμβριο 2026. Ο ενσωματωμένος αναγνωριστής του Chrome με τοπική επεξεργασία αναγνώρισε 0 από τα 17 τυπικά αποσπάσματα στις γλώσσες του προϊόντος, και η γλωσσική κάλυψη των αναγνωριστών στη συσκευή είναι πολύ στενότερη από τις 17 γλώσσες του παραπάνω πίνακα. Η αναγνώριση στη συσκευή είναι μια κατεύθυνση που επαναμετράμε καθώς βελτιώνονται οι πλατφόρμες· σήμερα η διαδρομή μέσω της πύλης είναι η μόνη που λειτουργεί για κάθε μέλος σε κάθε γλώσσα.

Μπορεί ο οργανισμός μας να επιλέξει ποια υπηρεσία ομιλίας μεταγράφει τα φωνητικά μηνύματά του;

Όχι ξεχωριστά: η πύλη AI είναι αυτό που επιλέγει ο διαχειριστής του οργανισμού στη σελίδα Integrations. Στην προεπιλεγμένη πύλη, τα φωνητικά μηνύματα μεταγράφονται από το Azure AI Speech. Στο Vertex AI και στο Amazon Bedrock, τα φωνητικά μηνύματα δεν μεταγράφονται ακόμη· δείτε την ενότητα παραπάνω.

Πόσο μεγάλο μπορεί να είναι ένα φωνητικό μήνυμα και το περιορίζει το API;

Έως δέκα λεπτά. Το fast transcription του Azure δέχεται αρχεία έως 5 ώρες και 500 MB σε ένα αίτημα, οπότε ένα μήνυμα μεταγράφεται με μία κλήση. Η σύγχρονη αναγνώριση της Google δέχεται 60 δευτερόλεπτα και 10 MB, γι' αυτό το σύστημα δοκιμής έκοψε τα μεγάλα αποσπάσματα σε τμήματα στις σιωπές.

Γιατί ο αναγνωριστής ενημερώνεται για τη γλώσσα του ομιλητή αντί να την εντοπίζει;

Επειδή ένα φωνητικό μήνυμα είναι σύντομο. Σε απόσπασμα τεσσάρων δευτερολέπτων, ο αυτόματος εντοπισμός γλώσσας μπορεί να επιστρέψει λάθος γλώσσα (ένα ρωσικό δοκιμαστικό μήνυμα επέστρεψε ως αγγλικό), ενώ η γλώσσα του προφίλ του μέλους είναι σωστή σχεδόν πάντα. Ο αναγνωριστής παίρνει αυτή τη γλώσσα, και μόνο όταν αυτή δεν είναι γνωστή παίρνει ως υποψήφιες τις γλώσσες του δωματίου.

Μεταγράφεται ο ήχος της σύσκεψης από την ίδια υπηρεσία;

Όχι. Η ζωντανή ομιλία σε μια σύσκεψη αναγνωρίζεται και μεταφράζεται στη δική του μηχανή του InterMIND (το Mind API), στον media server που μεταφέρει την κλήση και φιλοξενείται στην OVH στη Γαλλία· δείτε πού εκτελείται μια σύσκεψη. Η cloud πύλη βλέπει κείμενο, ποτέ τον ήχο μιας κλήσης (meeting AI στη δική σας πύλη).

Θα δημοσιεύσετε ξανά τα αποτελέσματα;

Το σύστημα δοκιμής εκτελείται με μία εντολή και οι άδειες πρόσβασης κάθε μηχανής είναι στη θέση τους, οπότε ο πίνακας μπορεί να μετρηθεί ξανά όταν ένας πάροχος κυκλοφορήσει νέο μοντέλο. Όταν αλλάζει την εικόνα, η ανάρτηση ενημερώνεται με την ημερομηνία.

Δείτε το μόνοι σας

• Διαβάστε πώς λειτουργούν τα φωνητικά μηνύματα — η ηχογράφηση, το όριο των δέκα λεπτών και πού πηγαίνει ο ήχος.
• Δείτε τη λίστα υπο-εκτελούντων την επεξεργασία — πάροχος, χώρα, σκοπός και περιοχή για κάθε μέρος που επεξεργάζεται τα δεδομένα σας.
• Δοκιμάστε το ζωντανό demo — η γραμμή μετάφρασης παραγωγής στον δικό σας ήχο, χωρίς εγγραφή.

Πηγές: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) και πίνακας περιοχών Speech (learn.microsoft.com). Google Cloud — μοντέλο Chirp 3 (docs.cloud.google.com), όρια σύγχρονης αναγνώρισης (docs.cloud.google.com) και υποστηριζόμενες γλώσσες (docs.cloud.google.com). AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpoints και όρια (docs.aws.amazon.com) και υποστηριζόμενες γλώσσες (docs.aws.amazon.com). Όλα ελέγχθηκαν τον Σεπτέμβριο 2026. Μέτρηση: InterMIND speech bench, 2026-09-16, 153 αποσπάσματα, 17 γλώσσες.