Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe sur 153 notes vocales : pourquoi InterMIND exécute la reconnaissance vocale sur la passerelle cloud de votre organisation (2026)

Une note vocale dans un canal InterMIND devient un message texte que chaque collègue lit dans sa propre langue. La première étape est la reconnaissance vocale, et la question que posent l'équipe informatique de l'hôte ou le réviseur d'un client n'est pas « quelle est sa précision », mais « à qui appartient ce service, et où va l'audio ».

La réponse courte : Azure AI Speech, le service vocal de la passerelle IA par défaut, dans le tenant Azure propre à InterMIND en Suède Centre — ainsi que les services vocaux des deux autres passerelles qu'une organisation peut choisir, mesurés sur les mêmes clips pour que le choix repose sur un chiffre, et non sur une préférence. Cet article présente les chiffres qui sous-tendent ce choix — les mêmes 153 clips passés dans Azure AI Speech, Google Cloud Speech-to-Text et Amazon Transcribe le même jour — et les deux caractéristiques de chaque API qui comptent davantage qu'un point de précision.

La règle d'abord : une passerelle par organisation

Chaque fonctionnalité d'IA d'InterMIND — comptes rendus de réunion, résumés de documents, assistant d'écriture, Ask AI et Mia en réunion — s'exécute sur une passerelle de modèles de langage que l'organisation sélectionne : Azure OpenAI dans l'EU Data Zone par défaut, Google Vertex AI sur le point de terminaison multirégional de l'UE ou Amazon Bedrock à Francfort au choix, chacun dans le tenant propre d'InterMIND. Nous avons expliqué le raisonnement dans l'IA de réunion sur votre propre passerelle cloud : pour la plupart des organisations, cette passerelle figure déjà sur la liste des sous-traitants approuvés, de sorte qu'une fonctionnalité d'IA n'ajoute aucune nouvelle société à la liste.

La reconnaissance vocale des notes vocales suit aujourd'hui la même règle sur la passerelle par défaut, et chacune des trois passerelles dispose d'un service vocal à côté de ses modèles de langage — c'est ce que mesure cet article :

Dans tous les cas, on indique au moteur de reconnaissance la langue du locuteur — celle qu'un membre a définie dans son profil — car l'identification automatique de la langue s'est révélée peu fiable sur des clips courts lors de nos tests : une note russe de quatre secondes a été reconnue comme de l'anglais. C'est ainsi que le produit appelle Azure aujourd'hui, et le test appelle les deux autres de la même manière.

Ce que nous avons mesuré

Le jeu de données. 153 clips en 17 langues : 136 tours de dialogue — deux dialogues professionnels (une négociation de contrat et un stand-up quotidien) dits par les deux voix synthétiques du produit en dix langues — plus 17 passages formels, les phrases professionnelles FLORES-200 de notre benchmark de traduction public lues par une voix synthétique, un par langue et d'une durée de 71 à 109 secondes. Les tours de dialogue durent de 3 à 30 secondes, soit la durée d'une vraie note vocale.

La métrique. Le taux d'erreur de mots (WER) par rapport au texte de référence — la proportion de mots substitués, insérés ou supprimés — après normalisation de la casse, de la ponctuation et des espaces ; le chinois et le japonais sont comparés caractère par caractère. Le taux d'erreur de caractères a été enregistré en parallèle et raconte la même histoire.

Le banc d'essai. Un script, une machine, une heure le 2026-09-16, chaque moteur sur les 153 clips. Azure et Amazon Transcribe ont reçu chaque clip en entier. La reconnaissance synchrone de Google accepte au plus 60 secondes : les 17 clips formels ont donc été découpés aux silences en morceaux de moins de 55 secondes et les transcriptions assemblées ; les 136 clips de dialogue sont passés en entier. Amazon Transcribe attend un audio à un rythme temps réel, si bien que le banc d'essai le lui a fourni quatre fois plus vite que le temps réel ; son chiffre de latence ci-dessous est donc un plancher fixé par l'alimentation, non par le service.

Ce que ce n'est pas. Des voix synthétiques dans un audio sans bruit, et non des enregistrements de terrain faits depuis un téléphone dans une voiture. Un jour, une exécution par clip. C'est une comparaison sur l'audio avec lequel notre propre chaîne de traduction est testée, dans les langues dans lesquelles écrivent nos utilisateurs — pas un classement.

Résultats : taux d'erreur de mots par langue

WER moyen sur les clips de chaque langue ; chaque moteur a renvoyé une transcription pour les 153 clips.

Les langues à clip unique (le passage formel seulement) sont indiquées par souci d'exhaustivité ; un chiffre sur un seul clip est un point de données, pas un taux.

Ce que disent les chiffres

• Sur l'ensemble du jeu, les trois services sont à moins d'un point les uns des autres : 9 %, 10 % et 10 %. Chacun des 153 clips a donné lieu à une transcription par chaque moteur — la couverture des 17 langues est complète sur les trois.
• Les différences se jouent langue par langue, et dans les deux sens. Azure a obtenu le taux d'erreur le plus bas en français (5 % contre 11 % et 12 %) et en allemand (7 % contre 9 % et 13 %), et est à égalité pour le plus bas en anglais (2 %, avec Amazon Transcribe) et en chinois (3 %, avec Google). Amazon Transcribe a obtenu le plus bas en arabe (26 % contre 32 % et 46 %). Google a obtenu le plus bas en russe (10 % contre 14 % et 14 %), en portugais, en hongrois et en turc.
• L'arabe est difficile pour les trois. Le meilleur résultat sur les clips de dialogue en arabe est d'un mot sur quatre erroné. Cela concorde avec ce que nous avons observé côté traduction, où nous avons retiré l'arabe du sélecteur de langue de réunion en août 2026 jusqu'à ce que la qualité atteigne notre seuil (combien de langues nous prenons en charge).
• Le temps de traitement reste bien inférieur au temps réel pour les trois. Une note de 30 secondes prend environ trois secondes sur Azure et environ sept sur Google dans ce banc d'essai ; le chiffre d'Amazon est dominé par l'alimentation cadencée.

Pourquoi Azure AI Speech reste le choix par défaut

Trois raisons, dans l'ordre où elles ont tranché.

1. La passerelle par défaut est Azure. Une organisation qui n'a pas choisi de passerelle exécute ses fonctionnalités d'IA sur Azure OpenAI dans l'EU Data Zone ; ses notes vocales sont donc transcrites par Azure AI Speech dans le même tenant. Pas de sous-traitant supplémentaire, pas de région supplémentaire. Microsoft indique qu'Azure Speech ne stocke ni ne traite de données en dehors de la région de la ressource Speech (page des régions, consultée en septembre 2026) ; notre ressource se trouve en Suède Centre, région listée pour la transcription rapide.

2. La forme de l'API convient à une note vocale. Une note vocale dans InterMIND peut durer jusqu'à dix minutes (notes vocales). La transcription rapide d'Azure prend l'enregistrement entier en une seule requête. La reconnaissance synchrone de Google s'arrête à 60 secondes : une note de dix minutes exige donc une reconnaissance par lots via un bucket de stockage ou une session en flux ; Amazon Transcribe fonctionne en flux, mais accepte le PCM, le FLAC ou l'Ogg-Opus plutôt que les formats dans lesquels enregistrent les téléphones et les navigateurs, si bien que l'audio doit d'abord être transcodé. Les deux problèmes se résolvent — le banc d'essai les résout — mais ce sont autant d'éléments supplémentaires sur le chemin de chaque note.

3. Les chiffres ne plaident pas contre ce choix. À 9 % contre 10 % et 10 %, aucun moteur de ce jeu n'est assez meilleur pour justifier de sortir les notes vocales de la passerelle par défaut. Si Google ou Amazon avait obtenu la moitié du taux d'erreur, cet article le dirait.

Ce que cela signifie pour les organisations sur Vertex AI ou Bedrock

Si votre organisation a sélectionné Google Vertex AI ou Amazon Bedrock comme passerelle, vos fonctionnalités d'IA s'y exécutent. Les notes vocales de ces organisations arrivent actuellement sous forme d'enregistrement sans transcription : nous avons mesuré Google Cloud Speech-to-Text et Amazon Transcribe, comme le montre cet article, mais nous ne les avons pas encore intégrés au produit. Les autorisations et le code d'intégration existent ; cet article sera mis à jour lorsqu'ils seront sur le chemin de chaque note. D'ici là, une note vocale dans une organisation sur Vertex AI ou Bedrock est un enregistrement que l'on peut écouter ; une organisation qui bascule sa passerelle vers Azure obtient des transcriptions pour les notes envoyées à partir de ce moment.

FAQ

Quel service de reconnaissance vocale InterMIND utilise-t-il ?

Pour les notes vocales du chat, Azure AI Speech (API de transcription rapide) dans le tenant Azure propre à InterMIND en Suède Centre — le service vocal de la passerelle IA par défaut. La parole en direct pendant les réunions suit un autre chemin : elle s'exécute sur le moteur média d'InterMIND, la Mind API, hébergée chez OVH en France, et ne touche jamais un service vocal cloud (où s'exécute une réunion).

Azure AI Speech est-il plus précis que Google Speech-to-Text ou Amazon Transcribe ?

Sur notre jeu de 153 clips de notes vocales en 17 langues, mesurés le même jour avec le même banc d'essai, Azure AI Speech a obtenu un taux d'erreur de mots moyen de 9 %, Google Cloud Speech-to-Text (Chirp 3) 10 % et Amazon Transcribe 10 %. Langue par langue, l'ordre change : Azure est le plus bas en français, en anglais et en chinois, Amazon Transcribe en arabe, Google en russe. Sur un autre jeu d'enregistrements, le classement peut différer ; le tableau ci-dessus est la preuve pour le nôtre.

Qu'est-ce que le taux d'erreur de mots, et comment a-t-il été calculé ici ?

Le taux d'erreur de mots est le nombre de mots substitués, insérés et supprimés divisé par le nombre de mots du texte de référence. Nous normalisons la casse, la ponctuation et les espaces avant de comparer, et nous comparons le chinois et le japonais caractère par caractère, car ces écritures ne séparent pas les mots par des espaces. Un taux de 9 % signifie qu'environ un mot sur onze diffère de la référence.

L'audio d'une note vocale quitte-t-il l'UE ?

Non. L'enregistrement est stocké dans le stockage d'objets d'InterMIND dans l'UE, et le service vocal qui le transcrit s'exécute dans une région de l'UE : Suède Centre sur Azure, la multirégion eu sur Google Cloud, Francfort sur AWS. La liste complète des parties et des régions figure sur la page des sous-traitants et sur la page de confiance.

Pourquoi ne pas reconnaître la parole côté client, dans l'application, pour que l'audio ne quitte jamais le téléphone ?

Nous l'avons aussi mesuré, en septembre 2026. Le moteur de reconnaissance intégré de Chrome avec traitement local a reconnu 0 des 17 clips formels sur l'ensemble des langues du produit, et la couverture linguistique des moteurs côté client est bien plus étroite que les 17 langues du tableau ci-dessus. La reconnaissance côté client est une piste que nous remesurons à mesure que les plateformes progressent ; aujourd'hui, le chemin par la passerelle est celui qui fonctionne pour chaque membre dans chaque langue.

Notre organisation peut-elle choisir quel service vocal transcrit ses notes vocales ?

Pas séparément : la passerelle IA est ce que l'administrateur de l'organisation sélectionne sur la page Intégrations. Sur la passerelle par défaut, les notes vocales sont transcrites par Azure AI Speech. Sur Vertex AI et Amazon Bedrock, les notes vocales ne sont pas encore transcrites — voir la section ci-dessus.

Quelle peut être la durée d'une note vocale, et l'API la limite-t-elle ?

Jusqu'à dix minutes. La transcription rapide d'Azure accepte des fichiers allant jusqu'à 5 heures et 500 Mo en une seule requête : une note est donc transcrite en un seul appel. La reconnaissance synchrone de Google accepte 60 secondes et 10 Mo, ce qui explique pourquoi le banc d'essai a découpé les clips longs en morceaux aux silences.

Pourquoi indique-t-on au moteur de reconnaissance la langue du locuteur au lieu de la détecter ?

Parce qu'une note vocale est courte. Sur un clip de quatre secondes, l'identification automatique de la langue peut renvoyer la mauvaise langue — une note de test en russe a été reconnue comme de l'anglais ; la langue du profil d'un membre est la bonne presque à chaque fois. Le moteur reçoit cette langue, et ce n'est que lorsqu'elle est inconnue qu'il reçoit les langues de la salle comme candidates.

L'audio des réunions est-il transcrit par le même service ?

Non. La parole en direct pendant une réunion est reconnue et traduite sur le moteur propre d'InterMIND (la Mind API), sur le serveur média qui porte l'appel, hébergé chez OVH en France — voir où s'exécute une réunion. La passerelle cloud voit du texte, jamais l'audio d'un appel (l'IA de réunion sur votre propre passerelle).

Publierez-vous de nouveau les résultats ?

Le banc d'essai s'exécute en une seule commande, et les autorisations de chaque moteur sont en place : le tableau peut donc être remesuré lorsqu'un fournisseur publie un nouveau modèle. Lorsqu'il change le tableau d'ensemble, cet article est mis à jour avec la date.

Voyez par vous-même

• Découvrir le fonctionnement des notes vocales — l'enregistrement, la limite de dix minutes et la destination de l'audio.
• Consulter la liste des sous-traitants — fournisseur, pays, finalité et région pour chaque partie qui traite vos données.
• Essayer la démo en direct — la chaîne de traduction de production sur votre propre audio, sans inscription.

Sources : Microsoft — transcription rapide d'Azure AI Speech (learn.microsoft.com) et tableau des régions Speech (learn.microsoft.com) ; Google Cloud — modèle Chirp 3 (docs.cloud.google.com), limites de la reconnaissance synchrone (docs.cloud.google.com) et langues prises en charge (docs.cloud.google.com) ; AWS — Amazon Transcribe en flux (docs.aws.amazon.com), points de terminaison et quotas (docs.aws.amazon.com) et langues prises en charge (docs.aws.amazon.com) ; tout consulté en septembre 2026. Mesure : banc d'essai vocal InterMIND, 2026-09-16, 153 clips, 17 langues.