Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe 153 ääniviestillä: miksi InterMIND ajaa puheentunnistuksen organisaatiosi omalla pilviyhdyskäytävällä (2026)

InterMINDin kanavalla ääniviestistä tulee tekstiviesti, jonka jokainen tiimiläinen lukee omalla kielellään. Ensimmäinen vaihe on puheentunnistus. Isännän oman IT-osaston tai asiakkaan tarkastajan kysymys ei ole "kuinka tarkka se on", vaan "kenen palvelu se on ja minne ääni menee".

Lyhyt vastaus: Azure AI Speech, oletuksena käytettävän AI-yhdyskäytävän puhepalvelu, InterMINDin omassa Azure-tenantissa Sweden Centralissa. Mittasimme samoilla äänitteillä myös kahden muun yhdyskäytävän puhepalvelut, joista organisaatio voi valita, jotta valinta perustuu lukuun eikä mieltymykseen. Tämä artikkeli esittää valinnan taustalla olevat luvut: samat 153 äänitettä Azure AI Speechin, Google Cloud Speech-to-Textin ja Amazon Transcriben läpi samana päivänä. Lisäksi se kertoo kustakin rajapinnasta kaksi seikkaa, jotka painavat enemmän kuin prosenttiyksikkö tarkkuutta.

Sääntö ensin: yksi yhdyskäytävä organisaatiota kohden

Jokainen InterMINDin tekoälyominaisuus – kokousyhteenvedot, dokumenttitiivistelmät, kirjoitusavustaja, Ask AI ja Mia kokouksessa – toimii yhdellä kielimallien yhdyskäytävällä, jonka organisaatio valitsee: oletuksena Azure OpenAI EU Data Zonessa, valinnan mukaan Google Vertex AI EU:n monialueen päätepisteessä tai Amazon Bedrock Frankfurtissa. Jokainen toimii InterMINDin omassa tenantissa. Perustelut kävimme läpi artikkelissa Kokousten tekoäly omalla pilviyhdyskäytävälläsi: useimmille organisaatioille tämä yhdyskäytävä on jo hyväksytyllä alikäsittelijälistalla, joten tekoälyominaisuus ei lisää listalle uutta yritystä.

Ääniviestien puheentunnistus noudattaa samaa sääntöä oletusyhdyskäytävällä jo nyt, ja jokaisella kolmesta yhdyskäytävästä on kielimallien rinnalla puhepalvelu. Tätä tämä artikkeli mittaa:

Tunnistimelle kerrotaan joka tapauksessa puhujan oma kieli eli kieli, jonka jäsen on asettanut profiiliinsa, koska automaattinen kielentunnistus osoittautui testeissämme epäluotettavaksi lyhyillä äänitteillä: nelisekuntinen venäjänkielinen viesti tunnistettiin englanniksi. Näin tuote kutsuu Azurea nykyisin, ja testissä kaksi muuta palvelua kutsuttiin samalla tavalla.

Mitä mittasimme

Aineisto. 153 äänitettä 17 kielellä: 136 vuoropuhelun vuoroa – kaksi liikedialogia (sopimusneuvottelu ja päivittäinen stand-up), jotka tuotteen kaksi synteettistä ääntä puhuvat kymmenellä kielellä – sekä 17 muodollista tekstikatkelmaa. Katkelmat ovat julkisen käännösbenchmarkimme FLORES-200-liikelauseita synteettisellä äänellä luettuina, yksi per kieli, kestoltaan 71–109 sekuntia. Vuoropuhelun vuorot kestävät 3–30 sekuntia, eli saman verran kuin todellinen ääniviesti.

Mittari. Sanavirhesuhde (WER) suhteessa viitetekstiin – korvattujen, lisättyjen tai poistettujen sanojen osuus – kun kirjainkoko, välimerkit ja välilyönnit on normalisoitu. Kiina ja japani vertailtiin merkki kerrallaan. Merkkivirhesuhde kirjattiin rinnalle, ja se kertoo saman tarinan.

Testiajo. Yksi skripti, yksi kone, yksi tunti 16.9.2026, jokainen tunnistin kaikilla 153 äänitteellä. Azure ja Amazon Transcribe ottivat jokaisen äänitteen kokonaisena. Googlen synkroninen tunnistin ottaa enintään 60 sekuntia, joten 17 muodollista äänitettä leikattiin hiljaisuuskohdista alle 55 sekunnin paloihin ja litteraatit yhdistettiin; 136 vuoropuheluäänitettä meni kokonaisina. Amazon Transcribe odottaa ääntä reaaliaikaisella tahdilla, joten testiajo syötti sille ääntä nelinkertaisella nopeudella. Alla oleva viiveluku on siksi syötteen asettama alaraja, ei palvelun.

Mitä tämä ei ole. Synteettisiä ääniä hiljaisessa äänessä, ei kenttääänityksiä puhelimesta autossa. Yksi päivä, yksi ajo per äänite. Kyseessä on vertailu äänellä, jolla oma käännösputkemme testataan, kielillä, joilla käyttäjämme kirjoittavat. Se ei ole kärkilista.

Tulokset: sanavirhesuhde kielittäin

Kunkin kielen äänitteiden keskimääräinen WER. Jokainen tunnistin palautti litteraatin kaikille 153 äänitteelle.

Kielet, joilla on vain yksi äänite (pelkkä muodollinen katkelma), on esitetty täydellisyyden vuoksi; yhden äänitteen luku on havainto, ei osuus.

Mitä luvut kertovat

• Koko aineistolla kolme palvelua on yhden prosenttiyksikön sisällä toisistaan: 9 %, 10 % ja 10 %. Jokainen 153 äänitteestä sai litteraatin jokaiselta tunnistimelta, joten kaikkien 17 kielen kattavuus on täydellinen kaikilla kolmella.
• Erot ovat kielikohtaisia, ja ne kulkevat molempiin suuntiin. Azuren virhesuhde oli pienin ranskassa (5 % verrattuna lukuihin 11 % ja 12 %) ja saksassa (7 % verrattuna lukuihin 9 % ja 13 %), ja se oli jaetusti pienin englannissa (2 %, Amazon Transcriben kanssa) ja kiinassa (3 %, Googlen kanssa). Amazon Transcriben virhesuhde oli pienin arabiassa (26 % verrattuna lukuihin 32 % ja 46 %). Googlella se oli pienin venäjässä (10 % verrattuna lukuihin 14 % ja 14 %), portugalissa, unkarissa ja turkissa.
• Arabia on vaikea kaikille kolmelle. Arabialaisten vuoropuheluäänitteiden paras tulos on yksi sana neljästä väärin. Se sopii siihen, mitä näimme käännöspuolella, jossa poistimme arabian kokouksen kielenvalitsimesta elokuussa 2026, kunnes laatu ylittää rajamme (montako kieltä tuemme).
• Käsittelyaika on kaikilla kolmella selvästi alle reaaliajan. 30 sekunnin viesti vie tässä testiajossa Azurella noin kolme sekuntia ja Googlella noin seitsemän. Amazonin luvun määrää tahdistettu syöte.

Miksi Azure AI Speech pysyy oletuksena

Kolme syytä, siinä järjestyksessä kuin ne ratkaisivat asian.

1. Oletusyhdyskäytävä on Azure. Organisaatio, joka ei ole valinnut yhdyskäytävää, ajaa tekoälyominaisuutensa Azure OpenAI:lla EU Data Zonessa, joten sen ääniviestit litteroi Azure AI Speech samassa tenantissa. Ei uutta alikäsittelijää, ei uutta aluetta. Microsoft toteaa, ettei Azure Speech tallenna tai käsittele dataa Speech-resurssin alueen ulkopuolella (alueet-sivu, tarkistettu syyskuussa 2026). Resurssimme on Sweden Centralissa, joka on listattu fast transcriptionille.

2. Rajapinnan muoto sopii ääniviestille. InterMINDin ääniviesti voi olla jopa kymmenen minuuttia pitkä (ääniviestit). Azuren fast transcription ottaa koko äänitteen yhdellä pyynnöllä. Googlen synkroninen tunnistus pysähtyy 60 sekuntiin, joten kymmenen minuutin viesti vaatii eräajon tallennussäilön kautta tai suoratoistoistunnon. Amazon Transcribe suoratoistaa, mutta ottaa PCM-, FLAC- tai Ogg-Opus-muotoa eikä muotoja, joilla puhelimet ja selaimet tallentavat, joten ääni muunnetaan ensin. Molemmat ovat ratkaistavissa – testiajo ratkaisee ne – mutta ne ovat lisää liikkuvia osia jokaisen viestin polulla.

3. Luvut eivät puhu sitä vastaan. Kun luvut ovat 9 % vastaan 10 % ja 10 %, yksikään tunnistin tällä aineistolla ei ole niin paljon parempi, että se oikeuttaisi siirtämään ääniviestit pois oletusyhdyskäytävältä. Jos Google tai Amazon olisi päässyt puoleen virhesuhteesta, tämä artikkeli sanoisi sen.

Mitä tämä tarkoittaa Vertex AI:ta tai Bedrockia käyttäville organisaatioille

Jos organisaatiosi valitsi yhdyskäytäväksi Google Vertex AI:n tai Amazon Bedrockin, tekoälyominaisuutesi toimivat siellä. Näiden organisaatioiden ääniviestit tulevat tällä hetkellä äänitteenä ilman litteraattia: olemme mitanneet Google Cloud Speech-to-Textin ja Amazon Transcriben, kuten tämä artikkeli osoittaa, mutta emme ole vielä liittäneet niitä tuotteeseen. Oikeudet ja integraatiokoodi ovat olemassa, ja tämä artikkeli päivitetään, kun ne ovat jokaisen viestin polulla. Siihen asti ääniviesti Vertex AI- tai Bedrock-organisaatiossa on toistettava äänite. Organisaatio, joka vaihtaa yhdyskäytävänsä Azureen, saa litteraatit siitä hetkestä lähtien lähetettyihin viesteihin.

UKK

Mitä puheentunnistuspalvelua InterMIND käyttää?

Chatin ääniviesteihin Azure AI Speechiä (fast transcription API) InterMINDin omassa Azure-tenantissa Sweden Centralissa – oletuksena käytettävän AI-yhdyskäytävän puhepalvelua. Kokousten live-puhe kulkee eri polkua: se ajetaan InterMINDin omalla mediamoottorilla, Mind API:lla, joka sijaitsee OVH:n palvelimilla Ranskassa, eikä koskaan kosketa pilvipuhepalvelua (missä yksi kokous pyörii).

Onko Azure AI Speech tarkempi kuin Google Speech-to-Text tai Amazon Transcribe?

Meidän 153 ääniviestiäänitteen aineistollamme 17 kielellä, samana päivänä samalla testiajolla mitattuna, Azure AI Speechin keskimääräinen sanavirhesuhde oli 9 %, Google Cloud Speech-to-Textin (Chirp 3) 10 % ja Amazon Transcriben 10 %. Kielittäin järjestys vaihtelee: Azure oli parhaimmillaan ranskassa, englannissa ja kiinassa, Amazon Transcribe arabiassa ja Google venäjässä. Toisella äänitejoukolla sijoitus voi olla toinen; yllä oleva taulukko on todiste meidän aineistostamme.

Mikä on sanavirhesuhde, ja miten se laskettiin tässä?

Sanavirhesuhde on korvattujen, lisättyjen ja poistettujen sanojen määrä jaettuna viitetekstin sanamäärällä. Normalisoimme kirjainkoon, välimerkit ja välilyönnit ennen vertailua ja vertaamme kiinaa ja japania merkki kerrallaan, koska niissä sanoja ei erota toisistaan välilyönnein. 9 %:n suhde tarkoittaa, että noin yksi sana yhdestätoista poikkeaa viitetekstistä.

Poistuuko ääniviestin ääni EU:sta?

Ei. Äänite tallennetaan InterMINDin objektitallennukseen EU:ssa, ja sen litteroiva puhepalvelu toimii EU-alueella: Azurella Sweden Central, Google Cloudissa eu-monialue ja AWS:ssä Frankfurt. Täydellinen luettelo osapuolista ja alueista on alikäsittelijäsivulla ja luottamussivulla.

Miksi puhetta ei tunnisteta asiakaspuolella sovelluksessa, jotta ääni ei koskaan poistuisi puhelimesta?

Mittasimme senkin syyskuussa 2026. Chromen sisäänrakennettu tunnistin paikallisella käsittelyllä tunnisti 0 muodollista äänitettä 17:stä tuotteen kielillä, ja asiakaspuolen tunnistimien kielikattavuus on paljon suppeampi kuin taulukon 17 kieltä. Asiakaspuolen tunnistus on suunta, jonka mittaamme uudelleen alustojen parantuessa. Tänään yhdyskäytäväpolku on se, joka toimii jokaiselle jäsenelle jokaisella kielellä.

Voiko organisaatiomme valita, mikä puhepalvelu litteroi sen ääniviestit?

Ei erikseen: AI-yhdyskäytävä on se, jonka organisaation ylläpitäjä valitsee Integrations-sivulla. Oletusyhdyskäytävällä ääniviestit litteroi Azure AI Speech. Vertex AI:ssa ja Amazon Bedrockissa ääniviestejä ei vielä litteroida – katso yllä oleva osio.

Kuinka pitkä ääniviesti voi olla, ja rajoittaako rajapinta sitä?

Enintään kymmenen minuuttia. Azuren fast transcription hyväksyy tiedostoja enintään 5 tuntia ja 500 MB yhdellä pyynnöllä, joten viesti litteroidaan yhdellä kutsulla. Googlen synkroninen tunnistus hyväksyy 60 sekuntia ja 10 MB, minkä vuoksi testiajo leikkasi pitkät äänitteet paloihin hiljaisuuskohdista.

Miksi tunnistimelle kerrotaan puhujan kieli sen sijaan, että se tunnistaisi kielen itse?

Koska ääniviesti on lyhyt. Nelisekuntisella äänitteellä automaattinen kielentunnistus voi palauttaa väärän kielen – venäjänkielinen testiviesti tunnistettiin englanniksi – kun taas jäsenen profiilikieli on oikea lähes aina. Tunnistin saa tuon kielen, ja vain jos se ei ole tiedossa, tunnistin saa ehdokkaiksi huoneen kielet.

Litteroiko sama palvelu kokouksen äänen?

Ei. Kokouksen live-puhe tunnistetaan ja käännetään InterMINDin omalla moottorilla (Mind API) puhelua kuljettavalla mediapalvelimella, joka sijaitsee OVH:lla Ranskassa – katso missä yksi kokous pyörii. Pilviyhdyskäytävä näkee tekstin, ei koskaan puhelun ääntä (kokousten tekoäly omalla yhdyskäytävälläsi).

Julkaisetteko tulokset uudelleen?

Testiajo käynnistyy yhdellä komennolla, ja jokaisen tunnistimen oikeudet ovat paikallaan, joten taulukko voidaan mitata uudelleen, kun toimittaja julkaisee uuden mallin. Kun se muuttaa kuvaa, tämä artikkeli päivitetään päivämäärän kera.

Kokeile itse

• Lue, miten ääniviestit toimivat – tallennus, kymmenen minuutin raja ja minne ääni menee.
• Katso alikäsittelijälista – toimittaja, maa, tarkoitus ja alue jokaiselle datasi käsittelijälle.
• Kokeile live-demoa – tuotannon käännösputki omalla äänelläsi, ilman rekisteröitymistä.

Lähteet: Microsoft – Azure AI Speech fast transcription (learn.microsoft.com) ja Speech-alueiden taulukko (learn.microsoft.com); Google Cloud – Chirp 3 -malli (docs.cloud.google.com), synkronisen tunnistuksen rajat (docs.cloud.google.com) ja tuetut kielet (docs.cloud.google.com); AWS – Amazon Transcriben suoratoisto (docs.aws.amazon.com), päätepisteet ja kiintiöt (docs.aws.amazon.com) ja tuetut kielet (docs.aws.amazon.com); kaikki tarkistettu syyskuussa 2026. Mittaus: InterMIND speech bench, 16.9.2026, 153 äänitettä, 17 kieltä.