Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe su 153 note vocali: perché InterMIND esegue lo speech-to-text sul gateway cloud della vostra organizzazione (2026)

In un canale di InterMIND, una nota vocale diventa un messaggio di testo che ogni collega legge nella propria lingua. Il primo passo è lo speech-to-text, e la domanda che pongono l'IT dell'host o il revisore di un cliente non è «quanto è accurato», ma «di chi è il servizio e dove va l'audio».

La risposta breve: Azure AI Speech, il servizio vocale del gateway AI predefinito, nel tenant Azure di InterMIND in Svezia Centrale. A questo si aggiungono i servizi vocali degli altri due gateway che un'organizzazione può scegliere, misurati sulle stesse clip, così la scelta è un numero e non una preferenza. Questo articolo mostra i numeri dietro quella scelta (le stesse 153 clip passate nello stesso giorno attraverso Azure AI Speech, Google Cloud Speech-to-Text e Amazon Transcribe) e i due aspetti di ciascuna API che contano più di un punto percentuale di accuratezza.

Prima la regola: un gateway per organizzazione

Ogni funzione AI di InterMIND (riepiloghi delle riunioni, sintesi dei documenti, assistente di scrittura, Ask AI e Mia nella riunione) gira su un unico gateway di modelli linguistici scelto dall'organizzazione: Azure OpenAI nella EU Data Zone per impostazione predefinita, oppure, a scelta, Google Vertex AI sull'endpoint multi-regione UE o Amazon Bedrock a Francoforte, ciascuno nel tenant di InterMIND. Il ragionamento è spiegato in Meeting AI sul vostro gateway cloud: per la maggior parte delle organizzazioni quel gateway è già nell'elenco dei sub-responsabili approvati, quindi una funzione AI non aggiunge nessuna nuova azienda all'elenco.

Lo speech-to-text per le note vocali oggi segue la stessa regola sul gateway predefinito, e ciascuno dei tre gateway ha un servizio vocale accanto ai suoi modelli linguistici, ed è ciò che questo articolo misura:

In ogni caso al riconoscitore viene indicata la lingua del parlante, cioè quella impostata dal membro nel proprio profilo, perché nei nostri test l'identificazione automatica della lingua si è rivelata inaffidabile sulle clip brevi: una nota in russo di quattro secondi è tornata come inglese. È così che il prodotto chiama oggi Azure, e il test chiama gli altri due allo stesso modo.

Cosa abbiamo misurato

Il set. 153 clip in 17 lingue: 136 battute di dialogo (due dialoghi di lavoro, una trattativa contrattuale e uno stand-up quotidiano, pronunciati dalle due voci sintetiche del prodotto in dieci lingue) più 17 brani formali, ovvero le frasi di business FLORES-200 del nostro benchmark pubblico di traduzione lette da una voce sintetica, uno per lingua, di durata tra 71 e 109 secondi. Le battute di dialogo durano da 3 a 30 secondi, la lunghezza di una vera nota vocale.

La metrica. Il tasso di errore sulle parole (WER) rispetto al testo di riferimento, cioè la frazione di parole sostituite, inserite o cancellate, dopo aver normalizzato maiuscole, punteggiatura e spazi; cinese e giapponese sono confrontati per carattere. Il tasso di errore sui caratteri è stato registrato in parallelo e racconta la stessa storia.

Il banco di prova. Uno script, una macchina, un'ora il 2026-09-16, ogni motore su tutte le 153 clip. Azure e Amazon Transcribe hanno ricevuto ogni clip intera. Il riconoscitore sincrono di Google accetta al massimo 60 secondi, quindi le 17 clip formali sono state tagliate nei silenzi in segmenti inferiori a 55 secondi e le trascrizioni unite; le 136 clip di dialogo sono andate intere. Amazon Transcribe richiede l'audio a ritmo reale, quindi il banco di prova lo ha alimentato a una velocità quattro volte superiore al tempo reale; il suo dato di latenza qui sotto è perciò un limite imposto dall'alimentazione, non dal servizio.

Cosa non è. Voci sintetiche in audio pulito, non registrazioni sul campo da un telefono in auto. Un giorno, una sola esecuzione per clip. È un confronto sull'audio con cui viene testata la nostra pipeline di traduzione, nelle lingue in cui scrivono i nostri utenti, non una classifica.

Risultati: tasso di errore sulle parole per lingua

WER medio sulle clip di ciascuna lingua; ogni motore ha restituito una trascrizione per tutte le 153 clip.

Le lingue con una sola clip (solo il brano formale) sono riportate per completezza; il dato di una singola clip è un punto di misura, non un tasso.

Cosa dicono i numeri

• Sull'intero set i tre servizi distano meno di un punto l'uno dall'altro: 9%, 10% e 10%. Ognuna delle 153 clip è tornata con una trascrizione da ogni motore: la copertura delle 17 lingue è completa su tutti e tre.
• Le differenze sono per lingua, e vanno in entrambe le direzioni. Azure ha avuto il tasso di errore più basso sul francese (5% contro 11% e 12%) e sul tedesco (7% contro 9% e 13%), e ha pareggiato il più basso sull'inglese (2%, con Amazon Transcribe) e sul cinese (3%, con Google). Amazon Transcribe ha avuto il più basso sull'arabo (26% contro 32% e 46%). Google ha avuto il più basso sul russo (10% contro 14% e 14%), sul portoghese, sull'ungherese e sul turco.
• L'arabo è difficile per tutti e tre. Il miglior risultato sulle clip di dialogo in arabo è una parola su quattro sbagliata. È coerente con quanto visto sul fronte della traduzione, dove ad agosto 2026 abbiamo ritirato l'arabo dal selettore della lingua delle riunioni finché la qualità non supererà la nostra soglia (quante lingue supportiamo).
• Il tempo di elaborazione è ben sotto il tempo reale su tutti e tre. In questo banco di prova una nota di 30 secondi richiede circa tre secondi su Azure e circa sette su Google; il dato di Amazon è dominato dall'alimentazione a ritmo controllato.

Perché Azure AI Speech resta il predefinito

Tre motivi, nell'ordine in cui hanno deciso.

1. Il gateway predefinito è Azure. Un'organizzazione che non ha scelto un gateway esegue le proprie funzioni AI su Azure OpenAI nella EU Data Zone, quindi le sue note vocali sono trascritte da Azure AI Speech nello stesso tenant. Nessun sub-responsabile aggiuntivo, nessuna regione aggiuntiva. Microsoft dichiara che Azure Speech non archivia né elabora dati fuori dalla regione della risorsa Speech (pagina delle regioni, verificata a settembre 2026); la nostra risorsa è in Sweden Central, che è elencata per la fast transcription.

2. La forma dell'API si adatta a una nota vocale. In InterMIND una nota vocale può durare fino a dieci minuti (note vocali). La fast transcription di Azure accetta l'intera registrazione in una sola richiesta. Il riconoscimento sincrono di Google si ferma a 60 secondi, quindi una nota di dieci minuti richiede il riconoscimento batch tramite un bucket di archiviazione o una sessione di streaming; Amazon Transcribe fa streaming, ma accetta PCM, FLAC o Ogg-Opus invece dei formati in cui registrano telefoni e browser, quindi l'audio va prima transcodificato. Entrambi i problemi sono risolvibili (il banco di prova li risolve), ma sono più parti in movimento nel percorso di ogni nota.

3. I numeri non remano contro. Con il 9% contro 10% e 10%, nessun motore su questo set è abbastanza migliore da giustificare lo spostamento delle note vocali dal gateway predefinito. Se Google o Amazon avessero ottenuto metà del tasso di errore, questo articolo lo direbbe.

Cosa significa per le organizzazioni su Vertex AI o Bedrock

Se la vostra organizzazione ha scelto Google Vertex AI o Amazon Bedrock come gateway, le funzioni AI girano lì. Le note vocali in queste organizzazioni arrivano attualmente come registrazione senza trascrizione: abbiamo misurato Google Cloud Speech-to-Text e Amazon Transcribe, come mostra questo articolo, ma non li abbiamo ancora integrati nel prodotto. I permessi e il codice di integrazione esistono; questo articolo viene aggiornato quando entrano nel percorso di ogni nota. Fino ad allora, una nota vocale in un'organizzazione su Vertex AI o Bedrock è una registrazione riproducibile; un'organizzazione che passa il proprio gateway ad Azure ottiene le trascrizioni sulle note inviate da quel momento in poi.

FAQ

Quale servizio di speech-to-text usa InterMIND?

Per le note vocali in chat, Azure AI Speech (API di fast transcription) nel tenant Azure di InterMIND in Sweden Central, il servizio vocale del gateway AI predefinito. Il parlato dal vivo nelle riunioni segue un altro percorso: gira sul motore multimediale di InterMIND, la Mind API, ospitata presso OVH in Francia, e non tocca mai un servizio vocale cloud (dove gira una riunione).

Azure AI Speech è più accurato di Google Speech-to-Text o Amazon Transcribe?

Sul nostro set di 153 clip di note vocali in 17 lingue, misurato lo stesso giorno con lo stesso banco di prova, Azure AI Speech ha avuto un tasso medio di errore sulle parole del 9%, Google Cloud Speech-to-Text (Chirp 3) del 10% e Amazon Transcribe del 10%. Per singola lingua l'ordine cambia: Azure è stato il più basso su francese, inglese e cinese, Amazon Transcribe su arabo, Google su russo. Su un altro set di registrazioni la classifica può essere diversa; la tabella qui sopra è la prova per il nostro.

Che cos'è il tasso di errore sulle parole e come è stato calcolato qui?

Il tasso di errore sulle parole è il numero di parole sostituite, inserite e cancellate diviso per il numero di parole del testo di riferimento. Prima del confronto normalizziamo maiuscole, punteggiatura e spazi, e confrontiamo cinese e giapponese per carattere perché queste scritture non separano le parole con gli spazi. Un tasso del 9% significa che circa una parola su undici differisce dal riferimento.

L'audio di una nota vocale lascia l'UE?

No. La registrazione è archiviata nello storage a oggetti di InterMIND nell'UE, e il servizio vocale che la trascrive gira in una regione UE: Sweden Central su Azure, la multi-regione eu su Google Cloud, Francoforte su AWS. L'elenco completo di parti e regioni è nella pagina dei subprocessor e nella pagina trust.

Perché non riconoscere il parlato lato client, nell'app, in modo che l'audio non lasci mai il telefono?

Abbiamo misurato anche questo, a settembre 2026. Il riconoscitore integrato di Chrome con elaborazione locale ha riconosciuto 0 clip formali su 17 tra le lingue del prodotto, e la copertura linguistica dei riconoscitori lato client è molto più ristretta delle 17 lingue della tabella qui sopra. Il riconoscimento lato client è una direzione che rimisuriamo man mano che le piattaforme migliorano; oggi il percorso tramite gateway è quello che funziona per ogni membro in ogni lingua.

La nostra organizzazione può scegliere quale servizio vocale trascrive le sue note vocali?

Non separatamente: il gateway AI è ciò che un amministratore dell'organizzazione seleziona nella pagina Integrations. Sul gateway predefinito le note vocali sono trascritte da Azure AI Speech. Su Vertex AI e Amazon Bedrock le note vocali per ora non vengono trascritte: vedere la sezione qui sopra.

Quanto può durare una nota vocale e l'API pone dei limiti?

Fino a dieci minuti. La fast transcription di Azure accetta file fino a 5 ore e 500 MB in una sola richiesta, quindi una nota viene trascritta con una singola chiamata. Il riconoscimento sincrono di Google accetta 60 secondi e 10 MB, ed è per questo che il banco di prova ha tagliato le clip lunghe in segmenti nei silenzi.

Perché al riconoscitore viene indicata la lingua del parlante invece di farla rilevare?

Perché una nota vocale è breve. Su una clip di quattro secondi l'identificazione automatica della lingua può restituire la lingua sbagliata: una nota di test in russo è tornata come inglese; la lingua del profilo di un membro è quasi sempre quella giusta. Il riconoscitore riceve quella lingua, e solo quando non è nota riceve come candidate le lingue della stanza.

L'audio della riunione è trascritto dallo stesso servizio?

No. Il parlato dal vivo in una riunione viene riconosciuto e tradotto sul motore proprietario di InterMIND (la Mind API) sul media server che porta la chiamata, ospitato presso OVH in Francia: vedere dove gira una riunione. Il gateway cloud vede il testo, mai l'audio di una chiamata (meeting AI sul vostro gateway).

Pubblicherete di nuovo i risultati?

Il banco di prova si esegue con un solo comando e i permessi di ogni motore sono già in essere, quindi la tabella può essere rimisurata quando un fornitore rilascia un nuovo modello. Quando cambia il quadro, questo articolo viene aggiornato con la data.

Provatelo di persona

• Leggete come funzionano le note vocali: registrazione, limite di dieci minuti e dove va l'audio.
• Consultate l'elenco dei subprocessor: fornitore, paese, scopo e regione per ogni parte che tratta i vostri dati.
• Provate la demo dal vivo: la pipeline di traduzione di produzione sul vostro audio, senza registrazione.

Fonti: Microsoft — fast transcription di Azure AI Speech (learn.microsoft.com) e tabella delle regioni di Speech (learn.microsoft.com); Google Cloud — modello Chirp 3 (docs.cloud.google.com), limiti del riconoscimento sincrono (docs.cloud.google.com) e lingue supportate (docs.cloud.google.com); AWS — streaming di Amazon Transcribe (docs.aws.amazon.com), endpoint e quote (docs.aws.amazon.com) e lingue supportate (docs.aws.amazon.com); tutte verificate a settembre 2026. Misurazione: InterMIND speech bench, 2026-09-16, 153 clip, 17 lingue.