Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe en 153 notas de voz: por qué InterMIND ejecuta la transcripción de voz a texto en la pasarela de nube propia de su organización (2026)

Una nota de voz en un canal de InterMIND se convierte en un mensaje de texto que cada compañero lee en su propio idioma. El primer paso es la transcripción de voz a texto, y la pregunta que se hace el equipo de TI del anfitrión o el revisor de un cliente no es «qué precisión tiene», sino «de quién es el servicio y adónde va el audio».

La respuesta breve: Azure AI Speech, el servicio de voz de la pasarela de IA predeterminada, en el tenant propio de InterMIND en Azure, en Suecia Central; y los servicios de voz de las otras dos pasarelas que una organización puede elegir, medidos con los mismos clips para que la elección sea un número y no una preferencia. Esta entrada presenta los números que respaldan esa decisión (los mismos 153 clips procesados por Azure AI Speech, Google Cloud Speech-to-Text y Amazon Transcribe el mismo día) y los dos datos de cada API que importan más que un punto porcentual de precisión.

Primero la regla: una pasarela por organización

Todas las funciones de IA de InterMIND (resúmenes de reuniones, resúmenes de documentos, el asistente de escritura, Ask AI y Mia en la reunión) se ejecutan en una única pasarela de modelos de lenguaje que la organización selecciona: Azure OpenAI en la zona de datos de la UE por defecto, Google Vertex AI en el endpoint multirregión de la UE o Amazon Bedrock en Fráncfort por elección, siempre en el tenant propio de InterMIND. Explicamos el razonamiento en IA para reuniones en su propia pasarela de nube: para la mayoría de las organizaciones, esa pasarela ya figura en la lista aprobada de subencargados del tratamiento, de modo que una función de IA no añade ninguna empresa nueva a la lista.

La transcripción de voz a texto de las notas de voz sigue hoy la misma regla en la pasarela predeterminada, y cada una de las tres pasarelas tiene un servicio de voz junto a sus modelos de lenguaje, que es lo que mide esta entrada:

En todos los casos se le indica al reconocedor el idioma propio del hablante, el que cada miembro fijó en su perfil, porque en nuestras pruebas la identificación automática de idioma resultó poco fiable en clips cortos: una nota en ruso de cuatro segundos se devolvió como inglés. Así es como el producto llama hoy a Azure, y la prueba llama a las otras dos de la misma manera.

Qué medimos

El conjunto. 153 clips en 17 idiomas: 136 turnos de diálogo (dos diálogos de negocios, una negociación de contrato y una reunión diaria de seguimiento, interpretados por las dos voces sintéticas del producto en diez idiomas) más 17 pasajes formales, las frases de negocios de FLORES-200 de nuestro benchmark público de traducción leídas por una voz sintética, uno por idioma y de entre 71 y 109 segundos. Los turnos de diálogo duran de 3 a 30 segundos, la duración de una nota de voz real.

La métrica. La tasa de error de palabras (WER) respecto al texto de referencia, es decir, la fracción de palabras sustituidas, insertadas o eliminadas, tras normalizar mayúsculas, puntuación y espacios en blanco; el chino y el japonés se comparan por carácter. También registramos la tasa de error de caracteres, que cuenta la misma historia.

El banco de pruebas. Un script, una máquina, una hora el 2026-09-16, con cada motor procesando los 153 clips. Azure y Amazon Transcribe recibieron cada clip completo. El reconocedor síncrono de Google admite como máximo 60 segundos, así que los 17 clips formales se cortaron en los silencios en fragmentos de menos de 55 segundos y se unieron las transcripciones; los 136 clips de diálogo se enviaron completos. Amazon Transcribe espera el audio a un ritmo de tiempo real, así que el banco de pruebas se lo envió cuatro veces más rápido; su cifra de latencia que figura más abajo es, por tanto, un suelo fijado por el envío, no por el servicio.

Lo que esto no es. Son voces sintéticas en audio sin ruido, no grabaciones reales desde un teléfono en un coche. Un día, una ejecución por clip. Es una comparación sobre el audio con el que se prueba nuestra propia canalización de traducción, en los idiomas en que escriben nuestros usuarios; no es una clasificación.

Resultados: tasa de error de palabras por idioma

WER medio en los clips de cada idioma; todos los motores devolvieron una transcripción para los 153 clips.

Los idiomas con un solo clip (solo el pasaje formal) se muestran para completar la tabla; la cifra de un solo clip es un dato puntual, no una tasa.

Qué dicen los números

• En el conjunto completo, los tres servicios están a menos de un punto entre sí: 9 %, 10 % y 10 %. Cada uno de los 153 clips obtuvo una transcripción de cada motor, de modo que la cobertura de los 17 idiomas es completa en los tres.
• Las diferencias son por idioma, y van en ambas direcciones. Azure tuvo la tasa de error más baja en francés (5 % frente a 11 % y 12 %) y alemán (7 % frente a 9 % y 13 %), y empató como la más baja en inglés (2 %, con Amazon Transcribe) y chino (3 %, con Google). Amazon Transcribe tuvo la más baja en árabe (26 % frente a 32 % y 46 %). Google tuvo la más baja en ruso (10 % frente a 14 % y 14 %), portugués, húngaro y turco.
• El árabe es difícil para los tres. El mejor resultado en los clips de diálogo en árabe es una palabra de cada cuatro incorrecta. Es coherente con lo que vimos en la traducción, donde retiramos el árabe del selector de idioma de las reuniones en agosto de 2026 hasta que la calidad supere nuestro listón (cuántos idiomas admitimos).
• El tiempo de procesamiento está muy por debajo del tiempo real en los tres. Una nota de 30 segundos tarda unos tres segundos en Azure y unos siete en Google en este banco de pruebas; la cifra de Amazon está determinada por el ritmo del envío.

Por qué Azure AI Speech sigue siendo la opción predeterminada

Tres motivos, en el orden en que decidieron la cuestión.

1. La pasarela predeterminada es Azure. Una organización que no ha elegido pasarela ejecuta sus funciones de IA en Azure OpenAI en la zona de datos de la UE, de modo que sus notas de voz las transcribe Azure AI Speech en el mismo tenant. Ningún subencargado adicional, ninguna región adicional. Microsoft indica que Azure Speech no almacena ni procesa datos fuera de la región del recurso de Speech (página de regiones, consultada en septiembre de 2026); nuestro recurso está en Suecia Central, región incluida en la lista de transcripción rápida.

2. La forma de la API encaja con una nota de voz. Una nota de voz en InterMIND puede durar hasta diez minutos (notas de voz). La transcripción rápida de Azure recibe la grabación completa en una sola solicitud. El reconocimiento síncrono de Google se detiene a los 60 segundos, así que una nota de diez minutos necesita reconocimiento por lotes a través de un bucket de almacenamiento o una sesión de streaming; Amazon Transcribe funciona en streaming, pero admite PCM, FLAC u Ogg-Opus y no los formatos en que graban los teléfonos y los navegadores, por lo que primero hay que transcodificar el audio. Ambos problemas tienen solución (el banco de pruebas los resuelve), pero suponen más piezas móviles en el recorrido de cada nota.

3. Los números no van en contra. Con un 9 % frente a 10 % y 10 %, ningún motor de este conjunto es lo bastante mejor como para justificar sacar las notas de voz de la pasarela predeterminada. Si Google o Amazon hubieran obtenido la mitad de tasa de error, esta entrada lo diría.

Qué significa esto para las organizaciones en Vertex AI o Bedrock

Si su organización seleccionó Google Vertex AI o Amazon Bedrock como pasarela, sus funciones de IA se ejecutan allí. Las notas de voz de esas organizaciones llegan actualmente como una grabación sin transcripción: hemos medido Google Cloud Speech-to-Text y Amazon Transcribe, como muestra esta entrada, pero todavía no los hemos integrado en el producto. Los permisos y el código de integración existen; esta entrada se actualizará cuando estén en el recorrido de cada nota. Hasta entonces, una nota de voz en una organización con Vertex AI o Bedrock es una grabación reproducible; una organización que cambie su pasarela a Azure obtiene transcripciones de las notas enviadas a partir de ese momento.

Preguntas frecuentes

¿Qué servicio de voz a texto usa InterMIND?

Para las notas de voz del chat, Azure AI Speech (API de transcripción rápida) en el tenant propio de InterMIND en Azure, en Suecia Central, el servicio de voz de la pasarela de IA predeterminada. La voz en directo en las reuniones sigue otro camino: se ejecuta en el motor multimedia propio de InterMIND, la Mind API, alojada en OVH en Francia, y nunca pasa por un servicio de voz en la nube (dónde se ejecuta una reunión).

¿Es Azure AI Speech más preciso que Google Speech-to-Text o Amazon Transcribe?

En nuestro conjunto de 153 clips de notas de voz en 17 idiomas, medidos el mismo día con el mismo banco de pruebas, Azure AI Speech obtuvo una tasa media de error de palabras del 9 %, Google Cloud Speech-to-Text (Chirp 3) del 10 % y Amazon Transcribe del 10 %. Por idioma, el orden cambia: Azure fue el más bajo en francés, inglés y chino, Amazon Transcribe en árabe y Google en ruso. Con otro conjunto de grabaciones la clasificación puede ser distinta; la tabla anterior es la evidencia del nuestro.

¿Qué es la tasa de error de palabras y cómo se calculó aquí?

La tasa de error de palabras es el número de palabras sustituidas, insertadas y eliminadas dividido entre el número de palabras del texto de referencia. Normalizamos mayúsculas, puntuación y espacios en blanco antes de comparar, y comparamos el chino y el japonés por carácter porque esas escrituras no separan las palabras con espacios. Una tasa del 9 % significa que, aproximadamente, una palabra de cada once difiere de la referencia.

¿Sale de la UE el audio de una nota de voz?

No. La grabación se almacena en el almacenamiento de objetos de InterMIND en la UE, y el servicio de voz que la transcribe se ejecuta en una región de la UE: Suecia Central en Azure, la multirregión eu en Google Cloud, Fráncfort en AWS. La lista completa de partes y regiones está en la página de subencargados del tratamiento y en la página de confianza.

¿Por qué no reconocer la voz en el cliente, en la propia aplicación, para que el audio nunca salga del teléfono?

También lo medimos, en septiembre de 2026. El reconocedor integrado de Chrome con procesamiento local reconoció 0 de 17 clips formales en los idiomas del producto, y la cobertura de idiomas de los reconocedores en el cliente es mucho más estrecha que los 17 idiomas de la tabla anterior. El reconocimiento en el cliente es una vía que volvemos a medir a medida que mejoran las plataformas; hoy, el camino a través de la pasarela es el que funciona para todos los miembros en todos los idiomas.

¿Puede nuestra organización elegir qué servicio de voz transcribe sus notas de voz?

No por separado: lo que un administrador de la organización selecciona en la página de Integraciones es la pasarela de IA. En la pasarela predeterminada, las notas de voz las transcribe Azure AI Speech. En Vertex AI y Amazon Bedrock, las notas de voz todavía no se transcriben; consulte la sección anterior.

¿Cuánto puede durar una nota de voz y limita la API esa duración?

Hasta diez minutos. La transcripción rápida de Azure acepta archivos de hasta 5 horas y 500 MB en una sola solicitud, así que una nota se transcribe en una única llamada. El reconocimiento síncrono de Google acepta 60 segundos y 10 MB, por eso el banco de pruebas cortó los clips largos en fragmentos en los silencios.

¿Por qué se le indica al reconocedor el idioma del hablante en lugar de detectarlo?

Porque una nota de voz es corta. En un clip de cuatro segundos, la identificación automática de idioma puede devolver un idioma erróneo (una nota de prueba en ruso se devolvió como inglés); el idioma del perfil de un miembro es el correcto casi siempre. El reconocedor recibe ese idioma, y solo cuando se desconoce recibe como candidatos los idiomas de la sala.

¿Transcribe el mismo servicio el audio de las reuniones?

No. La voz en directo de una reunión se reconoce y se traduce en el motor propio de InterMIND (la Mind API), en el servidor multimedia que transporta la llamada, alojado en OVH en Francia; consulte dónde se ejecuta una reunión. La pasarela de nube ve texto, nunca el audio de una llamada (IA para reuniones en su propia pasarela).

¿Volverán a publicar los resultados?

El banco de pruebas se ejecuta con un solo comando y los permisos de cada motor están en su sitio, de modo que la tabla puede volver a medirse cuando un proveedor lance un modelo nuevo. Cuando cambie el panorama, esta entrada se actualizará con la fecha.

Compruébelo usted mismo

• Lea cómo funcionan las notas de voz: la grabación, el límite de diez minutos y adónde va el audio.
• Consulte la lista de subencargados del tratamiento: proveedor, país, finalidad y región de cada parte que trata sus datos.
• Pruebe la demo en vivo: la canalización de traducción de producción con su propio audio, sin registro.

Fuentes: Microsoft — transcripción rápida de Azure AI Speech (learn.microsoft.com) y tabla de regiones de Speech (learn.microsoft.com); Google Cloud — modelo Chirp 3 (docs.cloud.google.com), límites del reconocimiento síncrono (docs.cloud.google.com) e idiomas admitidos (docs.cloud.google.com); AWS — streaming de Amazon Transcribe (docs.aws.amazon.com), endpoints y cuotas (docs.aws.amazon.com) e idiomas admitidos (docs.aws.amazon.com); todas consultadas en septiembre de 2026. Medición: banco de pruebas de voz de InterMIND, 2026-09-16, 153 clips, 17 idiomas.