Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe pada 153 pesan suara: mengapa InterMIND menjalankan speech-to-text di gateway cloud milik organisasi Anda (2026)

Pesan suara di kanal InterMIND menjadi pesan teks yang dibaca setiap rekan tim dalam bahasanya sendiri. Langkah pertamanya adalah speech-to-text. Pertanyaan yang diajukan tim IT milik host atau peninjau dari pihak klien bukanlah "seberapa akurat", melainkan "layanan siapa ini, dan ke mana audionya pergi".

Jawaban singkatnya: Azure AI Speech, layanan suara dari gateway AI default, di tenant Azure milik InterMIND di Sweden Central. Layanan suara dari dua gateway lain yang dapat dipilih organisasi juga diukur pada klip yang sama, sehingga pilihannya berdasarkan angka, bukan preferensi. Tulisan ini memaparkan angka di balik pilihan tersebut: 153 klip yang sama diproses melalui Azure AI Speech, Google Cloud Speech-to-Text, dan Amazon Transcribe pada hari yang sama. Tulisan ini juga memuat dua fakta tentang masing-masing API yang lebih penting daripada selisih satu poin akurasi.

Aturan lebih dulu: satu gateway per organisasi

Setiap fitur AI di InterMIND, yaitu rekap rapat, ringkasan dokumen, asisten menulis, Ask AI, dan Mia di dalam rapat, berjalan di satu gateway model bahasa yang dipilih organisasi. Defaultnya Azure OpenAI di EU Data Zone; sebagai pilihan, Google Vertex AI di endpoint multi-region UE atau Amazon Bedrock di Frankfurt, masing-masing di tenant milik InterMIND sendiri. Alasannya sudah kami jelaskan di Meeting AI di gateway cloud Anda sendiri: bagi sebagian besar organisasi, gateway tersebut sudah masuk daftar sub-prosesor yang disetujui, sehingga fitur AI tidak menambah perusahaan baru ke daftar itu.

Saat ini speech-to-text untuk pesan suara mengikuti aturan yang sama pada gateway default. Masing-masing dari ketiga gateway juga memiliki layanan suara di samping model bahasanya, dan itulah yang diukur dalam tulisan ini:

Dalam semua kasus, recogniser diberi tahu bahasa pembicara itu sendiri, yaitu bahasa yang diatur anggota di profilnya. Dalam pengujian kami, identifikasi bahasa otomatis terbukti tidak andal pada klip pendek: pesan berbahasa Rusia berdurasi empat detik terbaca sebagai bahasa Inggris. Begitulah produk memanggil Azure saat ini, dan pengujian memanggil dua layanan lainnya dengan cara yang sama.

Apa yang kami ukur

Kumpulan data. 153 klip dalam 17 bahasa: 136 giliran dialog, yaitu dua dialog bisnis (negosiasi kontrak dan stand-up harian) yang dibawakan dua suara sintetis produk dalam sepuluh bahasa, ditambah 17 bagian formal. Bagian formal itu adalah kalimat bisnis FLORES-200 dari benchmark terjemahan publik kami yang dibacakan suara sintetis, satu per bahasa dengan durasi 71 hingga 109 detik. Giliran dialog berdurasi 3 hingga 30 detik, sepanjang pesan suara sungguhan.

Metrik. Word error rate (WER) terhadap teks acuan, yaitu proporsi kata yang tergantikan, tersisip, atau terhapus, setelah huruf besar/kecil, tanda baca, dan spasi dinormalisasi. Bahasa Mandarin dan Jepang dibandingkan per karakter. Character error rate dicatat berdampingan dan menunjukkan hasil yang sama.

Harness. Satu skrip, satu mesin, satu jam pada 2026-09-16, setiap engine memproses seluruh 153 klip. Azure dan Amazon Transcribe menerima setiap klip utuh. Recogniser sinkron Google menerima paling banyak 60 detik, sehingga 17 klip formal dipotong pada jeda hening menjadi bagian di bawah 55 detik lalu transkripnya digabung; 136 klip dialog diproses utuh. Amazon Transcribe menghendaki audio dengan kecepatan real-time, jadi harness mengirimkannya empat kali lebih cepat dari waktu nyata. Karena itu angka latensinya di bawah ini adalah batas bawah yang ditentukan oleh pengiriman, bukan oleh layanannya.

Yang bukan tujuan pengujian ini. Ini bukan rekaman lapangan dari ponsel di dalam mobil, melainkan suara sintetis dalam audio yang tenang. Pengujiannya hanya satu hari, satu kali jalan per klip. Ini adalah perbandingan pada audio yang dipakai untuk menguji pipeline terjemahan kami sendiri, dalam bahasa yang dipakai pengguna kami untuk menulis, bukan papan peringkat.

Hasil: word error rate per bahasa

Rata-rata WER pada klip untuk setiap bahasa; setiap engine mengembalikan transkrip untuk seluruh 153 klip.

Bahasa dengan satu klip saja (hanya bagian formal) ditampilkan demi kelengkapan; angka dari satu klip adalah satu titik data, bukan sebuah tingkat.

Apa kata angka-angka itu

• Pada keseluruhan set, ketiga layanan hanya berselisih kurang dari satu poin: 9%, 10%, dan 10%. Setiap dari 153 klip mendapat transkrip dari setiap engine, sehingga cakupan 17 bahasa lengkap pada ketiganya.
• Perbedaannya ada per bahasa, dan berlaku ke dua arah. Azure memiliki tingkat kesalahan terendah pada bahasa Prancis (5% dibanding 11% dan 12%) dan Jerman (7% dibanding 9% dan 13%), serta terendah bersama pada bahasa Inggris (2%, dengan Amazon Transcribe) dan Mandarin (3%, dengan Google). Amazon Transcribe terendah pada bahasa Arab (26% dibanding 32% dan 46%). Google terendah pada bahasa Rusia (10% dibanding 14% dan 14%), Portugis, Hungaria, dan Turki.
• Bahasa Arab sulit bagi ketiganya. Hasil terbaik pada klip dialog berbahasa Arab adalah satu dari empat kata salah. Ini sejalan dengan yang kami lihat di sisi terjemahan, tempat kami menarik bahasa Arab dari pemilih bahasa rapat pada Agustus 2026 sampai kualitasnya memenuhi standar kami (berapa banyak bahasa yang kami dukung).
• Waktu pemrosesan jauh di bawah waktu nyata pada ketiganya. Pesan berdurasi 30 detik memakan sekitar tiga detik di Azure dan sekitar tujuh detik di Google dalam harness ini; angka Amazon didominasi oleh pengiriman audio yang diatur lajunya.

Mengapa Azure AI Speech tetap menjadi default

Tiga alasan, sesuai urutan yang menentukan keputusan.

1. Gateway default adalah Azure. Organisasi yang belum memilih gateway menjalankan fitur AI-nya di Azure OpenAI pada EU Data Zone, sehingga pesan suaranya ditranskripsikan oleh Azure AI Speech di tenant yang sama. Tanpa sub-prosesor tambahan, tanpa region tambahan. Microsoft menyatakan bahwa Azure Speech tidak menyimpan atau memproses data di luar region sumber daya Speech (halaman region, diperiksa September 2026); sumber daya kami berada di Sweden Central, yang terdaftar untuk fast transcription.

2. Bentuk API-nya cocok untuk pesan suara. Pesan suara di InterMIND bisa berdurasi hingga sepuluh menit (pesan suara). Fast transcription Azure menerima seluruh rekaman dalam satu permintaan. Pengenalan sinkron Google berhenti di 60 detik, sehingga pesan sepuluh menit memerlukan pengenalan batch lewat storage bucket atau sesi streaming. Amazon Transcribe melakukan streaming, tetapi menerima PCM, FLAC, atau Ogg-Opus, bukan format yang dipakai ponsel dan peramban untuk merekam, sehingga audio perlu ditranskode lebih dulu. Keduanya bisa diatasi, dan harness kami mengatasinya, tetapi itu berarti lebih banyak komponen bergerak pada jalur setiap pesan.

3. Angkanya tidak membantah pilihan ini. Dengan 9% dibanding 10% dan 10%, tidak ada engine pada set ini yang cukup lebih baik untuk membenarkan pemindahan pesan suara dari gateway default. Seandainya Google atau Amazon mencatat setengah dari tingkat kesalahan itu, tulisan ini akan mengatakannya.

Artinya bagi organisasi di Vertex AI atau Bedrock

Jika organisasi Anda memilih Google Vertex AI atau Amazon Bedrock sebagai gateway, fitur AI Anda berjalan di sana. Saat ini pesan suara di organisasi tersebut tiba sebagai rekaman tanpa transkrip: kami telah mengukur Google Cloud Speech-to-Text dan Amazon Transcribe, seperti yang ditunjukkan tulisan ini, tetapi belum menghubungkannya ke produk. Izin akses dan kode integrasinya sudah ada; tulisan ini akan diperbarui ketika keduanya sudah berada di jalur setiap pesan. Sampai saat itu, pesan suara di organisasi Vertex AI atau Bedrock berupa rekaman yang dapat diputar; organisasi yang mengalihkan gateway-nya ke Azure akan mendapat transkrip untuk pesan yang dikirim sejak saat itu.

FAQ

Layanan speech-to-text apa yang digunakan InterMIND?

Untuk pesan suara di chat, Azure AI Speech (fast transcription API) di tenant Azure milik InterMIND di Sweden Central, yaitu layanan suara dari gateway AI default. Ucapan langsung di rapat melalui jalur yang berbeda: berjalan di engine media milik InterMIND sendiri, Mind API, yang di-host di OVH di Prancis, dan tidak pernah menyentuh layanan suara cloud (di mana satu rapat berjalan).

Apakah Azure AI Speech lebih akurat daripada Google Speech-to-Text atau Amazon Transcribe?

Pada set kami berisi 153 klip pesan suara dalam 17 bahasa, yang diukur pada hari yang sama dengan harness yang sama, Azure AI Speech memiliki rata-rata word error rate 9%, Google Cloud Speech-to-Text (Chirp 3) 10%, dan Amazon Transcribe 10%. Per bahasa, urutannya berubah: Azure terendah pada bahasa Prancis, Inggris, dan Mandarin, Amazon Transcribe pada bahasa Arab, Google pada bahasa Rusia. Pada kumpulan rekaman yang berbeda, peringkatnya bisa berbeda; tabel di atas adalah bukti untuk set kami.

Apa itu word error rate, dan bagaimana penghitungannya di sini?

Word error rate adalah jumlah kata yang tergantikan, tersisip, dan terhapus dibagi jumlah kata pada teks acuan. Kami menormalisasi huruf besar/kecil, tanda baca, dan spasi sebelum membandingkan, dan membandingkan bahasa Mandarin dan Jepang per karakter karena aksara tersebut tidak memisahkan kata dengan spasi. Tingkat 9% berarti kira-kira satu dari sebelas kata berbeda dari teks acuan.

Apakah audio pesan suara keluar dari UE?

Tidak. Rekaman disimpan di penyimpanan objek InterMIND di UE, dan layanan suara yang mentranskripsikannya berjalan di region UE: Sweden Central di Azure, multi-region eu di Google Cloud, Frankfurt di AWS. Daftar lengkap pihak dan region ada di halaman subprosesor dan halaman trust.

Mengapa tidak mengenali ucapan di sisi klien, di dalam aplikasi, agar audio tidak pernah meninggalkan ponsel?

Kami mengukurnya juga, pada September 2026. Recogniser bawaan Chrome dengan pemrosesan lokal mengenali 0 dari 17 klip formal di seluruh bahasa produk, dan cakupan bahasa recogniser sisi klien jauh lebih sempit daripada 17 bahasa pada tabel di atas. Pengenalan di sisi klien adalah arah yang akan kami ukur ulang seiring perkembangan platform; saat ini, jalur gateway adalah yang berfungsi untuk setiap anggota dalam setiap bahasa.

Bisakah organisasi kami memilih layanan suara yang mentranskripsikan pesan suaranya?

Tidak secara terpisah: gateway AI adalah yang dipilih admin organisasi di halaman Integrations. Pada gateway default, pesan suara ditranskripsikan oleh Azure AI Speech. Pada Vertex AI dan Amazon Bedrock, pesan suara belum ditranskripsikan; lihat bagian di atas.

Berapa panjang pesan suara yang diperbolehkan, dan apakah API membatasinya?

Hingga sepuluh menit. Fast transcription Azure menerima file hingga 5 jam dan 500 MB dalam satu permintaan, sehingga satu pesan ditranskripsikan dalam satu panggilan. Pengenalan sinkron Google menerima 60 detik dan 10 MB, itulah sebabnya harness memotong klip panjang menjadi bagian-bagian pada jeda hening.

Mengapa recogniser diberi tahu bahasa pembicara, bukan mendeteksinya sendiri?

Karena pesan suara itu pendek. Pada klip empat detik, identifikasi bahasa otomatis bisa mengembalikan bahasa yang salah: sebuah pesan uji berbahasa Rusia terbaca sebagai bahasa Inggris, sedangkan bahasa profil anggota hampir selalu tepat. Recogniser diberi bahasa tersebut, dan hanya ketika bahasanya tidak diketahui, ia diberi bahasa-bahasa di ruangan itu sebagai kandidat.

Apakah audio rapat ditranskripsikan oleh layanan yang sama?

Tidak. Ucapan langsung di rapat dikenali dan diterjemahkan di engine milik InterMIND sendiri (Mind API) pada server media yang membawa panggilan, yang di-host di OVH di Prancis; lihat di mana satu rapat berjalan. Gateway cloud hanya melihat teks, tidak pernah audio panggilan (meeting AI di gateway Anda sendiri).

Apakah Anda akan memublikasikan hasilnya lagi?

Harness berjalan dengan satu perintah, dan izin akses untuk setiap engine sudah tersedia, sehingga tabel dapat diukur ulang ketika vendor merilis model baru. Jika hasilnya mengubah gambaran, tulisan ini diperbarui dengan tanggalnya.

Coba sendiri

• Baca cara kerja pesan suara — perekaman, batas sepuluh menit, dan ke mana audio pergi.
• Lihat daftar subprosesor — vendor, negara, tujuan, dan region untuk setiap pihak yang memproses data Anda.
• Coba demo langsung — pipeline terjemahan produksi pada audio Anda sendiri, tanpa mendaftar.

Sumber: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) dan tabel region Speech (learn.microsoft.com); Google Cloud — model Chirp 3 (docs.cloud.google.com), batas pengenalan sinkron (docs.cloud.google.com) dan bahasa yang didukung (docs.cloud.google.com); AWS — streaming Amazon Transcribe (docs.aws.amazon.com), endpoint dan kuota (docs.aws.amazon.com) dan bahasa yang didukung (docs.aws.amazon.com); semuanya diperiksa September 2026. Pengukuran: InterMIND speech bench, 2026-09-16, 153 klip, 17 bahasa.