Azure AI Speech, Google Chirp 3 és Amazon Transcribe 153 hangüzeneten: miért a szervezet saját felhőalapú átjáróján fut az InterMIND beszédfelismerése (2026)

Az InterMIND-csatornákban a hangüzenet szöveges üzenetté válik, amelyet minden csapattárs a saját nyelvén olvas. Ennek első lépése a beszédfelismerés, és a házigazda saját IT-sjének vagy egy ügyfél ellenőrének a kérdése nem az, hogy „mennyire pontos", hanem az, hogy „kinek a szolgáltatása ez, és hova kerül a hang".

A rövid válasz: az Azure AI Speech, az alapértelmezett AI-átjáró beszédszolgáltatása, az InterMIND saját Azure-tenantjában, Sweden Central régióban. Mellette megmértük a másik két átjáró beszédszolgáltatását is, amelyek közül a szervezet választhat, ugyanazokon a felvételeken, hogy a választás szám legyen, ne ízlés kérdése. Ez a bejegyzés a döntés mögötti számokat mutatja be: ugyanaz a 153 felvétel ugyanazon a napon ment át az Azure AI Speech, a Google Cloud Speech-to-Text és az Amazon Transcribe szolgáltatáson. Bemutatjuk azt a két tényt is mindegyik API-ról, amely többet számít egy százalékpontnyi pontosságnál.

Először a szabály: szervezetenként egy átjáró

Az InterMIND minden AI-funkciója, vagyis a meeting-összefoglalók, a dokumentumösszefoglalók, az írássegéd, az Ask AI és a Mia a meetingen, egyetlen nyelvimodell-átjárón fut, amelyet a szervezet választ ki: alapértelmezés szerint Azure OpenAI az uniós Data Zone-ban, választás szerint Google Vertex AI az uniós multi-region végponton vagy Amazon Bedrock Frankfurtban, mindegyik az InterMIND saját tenantjában. Az indoklást a Meeting AI a saját felhőalapú átjárón című írásban fejtettük ki: a legtöbb szervezetnél ez az átjáró már szerepel a jóváhagyott alfeldolgozók listáján, így egy AI-funkció nem tesz hozzá új céget a listához.

A hangüzenetek beszédfelismerése ma az alapértelmezett átjárón követi ugyanezt a szabályt, és mindhárom átjáró nyelvi modelljei mellett van beszédszolgáltatás is. Ezt méri ez a bejegyzés:

A felismerő minden esetben megkapja a beszélő saját nyelvét, vagyis azt, amelyet a tag a profiljában beállított, mert a tesztjeinkben az automatikus nyelvazonosítás rövid felvételeken megbízhatatlannak bizonyult: egy négy másodperces orosz üzenetet angolként ismert fel. A termék ma így hívja az Azure-t, és a teszt a másik kettőt is így hívja.

Mit mértünk

A készlet. 153 felvétel 17 nyelven: 136 párbeszédfordulóból áll (két üzleti párbeszéd, egy szerződéses tárgyalás és egy napi stand-up, amelyet a termék két szintetikus hangja mondott el tíz nyelven), továbbá 17 formális szövegrészből. Ez utóbbiak a nyilvános fordítási benchmarkunk FLORES-200 üzleti mondatai, szintetikus hanggal felolvasva, nyelvenként egy, 71–109 másodperc hosszúságban. A párbeszédfordulók 3–30 másodperc hosszúak, akkorák, mint egy valódi hangüzenet.

A mérőszám. A szóhibaarány (WER) a referenciaszöveghez képest: a helyettesített, beszúrt vagy törölt szavak aránya, a kis- és nagybetűk, az írásjelek és a szóközök normalizálása után; a kínait és a japánt karakterenként hasonlítjuk össze. A karakterhibaarányt is rögzítettük, és ugyanazt mutatja.

A mérőrendszer. Egy szkript, egy gép, egy óra 2026. 09. 16-án, minden motor mind a 153 felvételen. Az Azure és az Amazon Transcribe minden felvételt egészben kapott. A Google szinkron felismerője legfeljebb 60 másodpercet fogad, ezért a 17 formális felvételt csendeknél 55 másodperc alatti darabokra vágtuk, és az átiratokat összefűztük; a 136 párbeszédfelvétel egészben ment. Az Amazon Transcribe valós idejű tempóban várja a hangot, ezért a rendszer négyszeres sebességgel táplálta be; az alább közölt késleltetési érték így a betáplálás által megszabott alsó határ, nem a szolgáltatásé.

Mi nem ez. Szintetikus hangok csendes hangminőségben, nem terepfelvételek egy autóban használt telefonról. Egy nap, felvételenként egy futás. Ez egy összehasonlítás azon a hangon, amelyen a saját fordítási csővezetékünket teszteljük, azokon a nyelveken, amelyeken a felhasználóink írnak, és nem ranglista.

Eredmények: szóhibaarány nyelvenként

Az egyes nyelvek felvételeire átlagolt WER; minden motor mind a 153 felvételhez adott átiratot.

Az egyetlen felvétellel szereplő nyelvek (csak a formális szövegrész) a teljesség kedvéért szerepelnek; egy felvételes érték adatpont, nem arány.

Mit mondanak a számok

• A teljes készleten a három szolgáltatás egy százalékponton belül van egymáshoz képest: 9%, 10% és 10%. A 153 felvétel mindegyikéhez mindegyik motor adott átiratot, vagyis a 17 nyelv lefedettsége mindhárom esetben teljes.
• A különbségek nyelvenként jelentkeznek, és mindkét irányba mutatnak. Az Azure-nak volt a legalacsonyabb hibaaránya franciául (5% a 11% és 12% ellen) és németül (7% a 9% és 13% ellen), és holtversenyben a legalacsonyabb angolul (2%, az Amazon Transcribe-bal) és kínaiul (3%, a Google-lel). Az Amazon Transcribe-é volt a legalacsonyabb arabul (26% a 32% és 46% ellen). A Google-é volt a legalacsonyabb oroszul (10% a 14% és 14% ellen), portugálul, magyarul és törökül.
• Az arab mindhármuknak nehéz. Az arab párbeszédfelvételeken a legjobb eredmény is az, hogy négy szóból egy hibás. Ez egybevág azzal, amit a fordítási oldalon láttunk, ahol 2026 augusztusában kivontuk az arabot a meeting nyelvválasztóból, amíg a minőség nem üti meg az elvárt szintet (hány nyelvet támogatunk).
• A feldolgozási idő mindhármuknál jóval a valós idő alatt van. Egy 30 másodperces üzenet ebben a mérőrendszerben nagyjából három másodpercet vesz igénybe az Azure-on és nagyjából hetet a Google-on; az Amazon értékét a tempózott betáplálás határozza meg.

Miért marad az Azure AI Speech az alapértelmezett

Három ok, abban a sorrendben, ahogy a döntést meghatározták.

1. Az alapértelmezett átjáró az Azure. Az a szervezet, amely nem választott átjárót, az AI-funkcióit az uniós Data Zone-ban futó Azure OpenAI-on futtatja, így a hangüzeneteit ugyanabban a tenantban az Azure AI Speech írja át. Nincs további alfeldolgozó, nincs további régió. A Microsoft közli, hogy az Azure Speech nem tárol és nem dolgoz fel adatot a Speech-erőforrás régióján kívül (régiók oldala, ellenőrizve: 2026. szeptember); a mi erőforrásunk Sweden Centralban van, amely szerepel a fast transcription támogatott régiói között.

2. Az API felépítése illik a hangüzenethez. Az InterMIND-ben egy hangüzenet legfeljebb tíz perces lehet (hangüzenetek). Az Azure fast transcription egy kérésben fogadja a teljes felvételt. A Google szinkron felismerése 60 másodpercnél megáll, így egy tízperces üzenethez tárolóbucketen keresztüli batch felismerés vagy streaming munkamenet kell; az Amazon Transcribe streamel, de PCM, FLAC vagy Ogg-Opus formátumot vár, nem azokat a formátumokat, amelyekben a telefonok és a böngészők rögzítenek, így a hangot előbb át kell kódolni. Mindkettő megoldható (a mérőrendszer meg is oldja őket), de több mozgó alkatrészt jelentenek minden üzenet útjában.

3. A számok nem szólnak ellene. 9% mellett a 10% és 10% ellen ezen a készleten egyik motor sem annyival jobb, hogy indokolná a hangüzenetek áthelyezését az alapértelmezett átjáróról. Ha a Google vagy az Amazon feleakkora hibaaránnyal jött volna ki, ez a bejegyzés ezt mondaná.

Mit jelent ez a Vertex AI-t vagy Bedrockot használó szervezeteknek

Ha a szervezet a Google Vertex AI-t vagy az Amazon Bedrockot választotta átjárónak, az AI-funkciói ott futnak. Az ilyen szervezeteknél a hangüzenetek jelenleg átirat nélküli felvételként érkeznek: a Google Cloud Speech-to-Textet és az Amazon Transcribe-ot megmértük, ahogy ez a bejegyzés mutatja, de a termékbe még nem kötöttük be őket. A jogosultságok és az integrációs kód megvannak; ezt a bejegyzést frissítjük, amikor már minden üzenet útjában ott lesznek. Addig a Vertex AI-t vagy Bedrockot használó szervezetekben a hangüzenet lejátszható felvétel; az a szervezet, amely az átjáróját Azure-ra váltja, a váltástól kezdve elküldött üzenetekhez kap átiratot.

GYIK

Melyik beszédfelismerő szolgáltatást használja az InterMIND?

A csevegés hangüzeneteihez az Azure AI Speech-et (fast transcription API) az InterMIND saját Azure-tenantjában, Sweden Central régióban, vagyis az alapértelmezett AI-átjáró beszédszolgáltatását. A meetingeken az élő beszéd más útvonalon megy: az InterMIND saját média-motorján, a Mind API-n fut, amely az OVH franciaországi adatközpontjában üzemel, és soha nem érint felhős beszédszolgáltatást (hol fut egy meeting).

Az Azure AI Speech pontosabb, mint a Google Speech-to-Text vagy az Amazon Transcribe?

A 17 nyelvű, 153 hangüzenet-felvételből álló készletünkön, ugyanazon a napon, ugyanazzal a mérőrendszerrel mérve az Azure AI Speech átlagos szóhibaaránya 9%, a Google Cloud Speech-to-Text (Chirp 3) 10%, az Amazon Transcribe 10% volt. Nyelvenként a sorrend változik: az Azure franciául, angolul és kínaiul volt a legalacsonyabb, az Amazon Transcribe arabul, a Google oroszul. Más felvételkészleten a rangsor eltérhet; a fenti táblázat a mi készletünkre vonatkozó bizonyíték.

Mi a szóhibaarány, és hogyan számoltuk itt?

A szóhibaarány a helyettesített, beszúrt és törölt szavak számának és a referenciaszöveg szószámának hányadosa. Az összehasonlítás előtt normalizáljuk a kis- és nagybetűket, az írásjeleket és a szóközöket, a kínait és a japánt pedig karakterenként hasonlítjuk össze, mert ezek az írásrendszerek nem választják el szóközzel a szavakat. A 9%-os arány nagyjából azt jelenti, hogy tizenegy szóból egy eltér a referenciától.

Elhagyja az EU-t a hangüzenet hangja?

Nem. A felvétel az InterMIND uniós objektumtárolójában van, az átírást végző beszédszolgáltatás pedig uniós régióban fut: Sweden Central az Azure-on, az eu multi-region a Google Cloudon, Frankfurt az AWS-en. A felek és régiók teljes listája az alfeldolgozók oldalán és a bizalmi oldalon található.

Miért nem ismerjük fel a beszédet kliensoldalon, az alkalmazásban, hogy a hang el se hagyja a telefont?

Ezt is megmértük, 2026 szeptemberében. A Chrome beépített, helyi feldolgozású felismerője a termék nyelvein a 17 formális felvételből 0-t ismert fel, és a kliensoldali felismerők nyelvi lefedettsége jóval szűkebb, mint a fenti táblázat 17 nyelve. A kliensoldali felismerés olyan irány, amelyet a platformok fejlődésével újramérünk; ma az átjárós útvonal működik minden tagnál, minden nyelven.

Választhatja-e a szervezetünk, melyik beszédszolgáltatás írja át a hangüzeneteit?

Külön nem: az AI-átjárót a szervezet adminisztrátora választja ki az Integrációk oldalon. Az alapértelmezett átjárón a hangüzeneteket az Azure AI Speech írja át. A Vertex AI-n és az Amazon Bedrockon a hangüzenetek átirata egyelőre nem készül el, lásd a fenti szakaszt.

Milyen hosszú lehet egy hangüzenet, és korlátozza-e ezt az API?

Legfeljebb tíz perces. Az Azure fast transcription egy kérésben legfeljebb 5 órás és 500 MB-os fájlokat fogad, így az üzenet egyetlen hívásban átírható. A Google szinkron felismerése 60 másodpercet és 10 MB-ot fogad, ezért vágta a mérőrendszer a hosszú felvételeket csendeknél darabokra.

Miért mondjuk meg a felismerőnek a beszélő nyelvét ahelyett, hogy felismertetnénk vele?

Mert a hangüzenet rövid. Egy négy másodperces felvételen az automatikus nyelvazonosítás rossz nyelvet is visszaadhat: egy orosz tesztüzenet angolként jött vissza, míg a tag profilnyelve szinte mindig helyes. A felismerő ezt a nyelvet kapja meg, és csak akkor kapja meg jelöltként a szoba nyelveit, ha ez nem ismert.

Ugyanaz a szolgáltatás írja át a meeting hangját is?

Nem. A meetingen az élő beszédet az InterMIND saját motorja (a Mind API) ismeri fel és fordítja le a hívást szállító médiaszerveren, amely az OVH franciaországi adatközpontjában üzemel, lásd: hol fut egy meeting. A felhős átjáró szöveget lát, a hívás hangját soha (meeting AI a saját átjárón).

Közzéteszik újra az eredményeket?

A mérőrendszer egyetlen paranccsal fut, és minden motor jogosultságai a helyükön vannak, így a táblázat újramérhető, amikor egy szolgáltató új modellt ad ki. Ha ez megváltoztatja a képet, a bejegyzést dátummal frissítjük.

Próbálja ki maga

• Olvassa el, hogyan működnek a hangüzenetek — a rögzítés, a tízperces korlát és az, hogy hova kerül a hang.
• Nézze meg az alfeldolgozók listáját — szolgáltató, ország, cél és régió minden olyan félnél, amely az Ön adatait feldolgozza.
• Próbálja ki az élő demót — az éles fordítási csővezeték a saját hangján, regisztráció nélkül.

Források: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) és a Speech régiók táblázata (learn.microsoft.com); Google Cloud — Chirp 3 modell (docs.cloud.google.com), a szinkron felismerés korlátai (docs.cloud.google.com) és a támogatott nyelvek (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), végpontok és kvóták (docs.aws.amazon.com) és támogatott nyelvek (docs.aws.amazon.com); mind ellenőrizve: 2026. szeptember. Mérés: InterMIND speech bench, 2026-09-16, 153 felvétel, 17 nyelv.