ゲートウェイがすでにサブプロセッサー一覧に載っているからです。 ボイスノートは、デフォルトゲートウェイの音声サービスである Azure AI Speech に、InterMIND のスウェーデンのテナント内で送られます。
数字もこの選択に反していません。 17 言語・153 クリップでの単語誤り率は、Azure が 9%、Google Chirp 3 と Amazon Transcribe が 10% でした。Vertex AI と Bedrock では、ノートはまだ文字起こしされません。
InterMIND はチャンネル全体を各メンバーの言語に保ちます。 ボイスノートも例外ではなく、各メンバーが読めるテキストになります。ゲストはリンクから無料で、アカウント不要で参加できます。料金はアクティブなメンバーに対してのみ発生します。

Azure AI Speech、Google Chirp 3、Amazon Transcribe を 153 件のボイスノートで比較:InterMIND が音声認識を組織自身のクラウドゲートウェイ上で実行する理由(2026年)

InterMIND のチャンネルに投稿されたボイスノートは、チームメイト全員がそれぞれの言語で読めるテキストメッセージになります。その最初のステップが音声認識です。ホスト側の IT 担当者や顧客の審査担当者が尋ねるのは、「どれくらい正確か」ではなく、「誰のサービスで、音声はどこへ行くのか」です。

端的に言うと、答えは Azure AI Speech です。デフォルトの AI ゲートウェイの音声サービスで、スウェーデン中部にある InterMIND 自身の Azure テナントで動作します。組織が選べるほかの 2 つのゲートウェイの音声サービスも、同じクリップで測定しました。選択が好みではなく数字で決まるようにするためです。この記事では、その選択の根拠となる数字を示します。同じ 153 クリップを、同じ日に Azure AI Speech、Google Cloud Speech-to-Text、Amazon Transcribe にかけた結果です。あわせて、精度の 1 ポイントより重要な、各 API についての 2 つの事実も取り上げます。

まずルール:組織ごとに 1 つのゲートウェイ

InterMIND のすべての AI 機能(ミーティングのリキャップ、ドキュメントの要約、ライティングアシスタント、Ask AI、ミーティング中の Mia)は、組織が選択した 1 つの言語モデルゲートウェイ上で動作します。デフォルトは EU データゾーンの Azure OpenAI で、選択により EU マルチリージョンエンドポイントの Google Vertex AI、またはフランクフルトの Amazon Bedrock も使えます。いずれも InterMIND 自身のテナント内です。この考え方は Meeting AI on your own cloud gateway で説明しました。ほとんどの組織では、そのゲートウェイはすでに承認済みのサブプロセッサー一覧に載っているため、AI 機能を追加しても一覧に新しい企業は増えません。

ボイスノートの音声認識も、現時点ではデフォルトゲートウェイで同じルールに従っています。3 つのゲートウェイにはそれぞれ、言語モデルと並んで音声サービスがあります。この記事ではそれを測定しています。

ゲートウェイ	音声サービス	このテストで使用したリージョン	API が録音を受け取る方式
Azure OpenAI(Microsoft)	Azure AI Speech、高速文字起こし API	スウェーデン中部	最大 5 時間・500 MB のファイルを 1 回のリクエストで処理(fast transcription docs、2026年9月確認)
Google Vertex AI(Google Cloud)	Cloud Speech-to-Text v2、Chirp 3 モデル	`eu` マルチリージョン	同期認識は 60 秒・10 MB までに制限。それより長い音声はバッチ認識またはストリーミング認識で処理(sync limits、Chirp 3、2026年9月確認)
Amazon Bedrock(AWS)	Amazon Transcribe、ストリーミング	eu-central-1(フランクフルト)	HTTP/2 または WebSocket 上のストリーミングセッション。入力は PCM、FLAC、Ogg-Opus(streaming docs、2026年9月確認)

認識エンジンには、いずれの場合も話者自身の言語、つまりメンバーがプロフィールで設定した言語を伝えています。短いクリップでは自動言語識別が不安定だったためです。私たちのテストでは、4 秒のロシア語のノートが英語として返ってきました。現在のプロダクトは Azure をこの方法で呼び出しており、このテストでも他の 2 つを同じ方法で呼び出しています。

測定の内容

データセット。 17 言語・153 クリップです。内訳は、対話ターン 136 件と、フォーマルな文章 17 件です。対話ターンは、2 つのビジネス対話(契約交渉とデイリースタンドアップ)を、プロダクトの 2 つの合成音声が 10 言語で話したものです。フォーマルな文章は、公開翻訳ベンチマークの FLORES-200 ビジネス文を合成音声で読み上げたもので、言語ごとに 1 件、長さは 71〜109 秒です。対話ターンは 3〜30 秒で、実際のボイスノートと同程度の長さです。

指標。 単語誤り率(WER)です。大文字小文字、句読点、空白を正規化したうえで、参照テキストに対して置換・挿入・削除された単語の割合を求めました。中国語と日本語は文字単位で比較しています。文字誤り率も併せて記録しており、同じ傾向を示しています。

ハーネス。 1 本のスクリプト、1 台のマシン、2026-09-16 の 1 時間で、各エンジンに 153 クリップすべてを処理させました。Azure と Amazon Transcribe には各クリップをそのまま渡しました。Google の同期認識エンジンは最大 60 秒までなので、フォーマルな 17 クリップは無音箇所で 55 秒未満に分割し、文字起こし結果を結合しました。対話の 136 クリップはそのまま渡しています。Amazon Transcribe は実時間のペースで音声を要求するため、ハーネスでは実時間の 4 倍の速さで送りました。そのため、下記のレイテンシの値はサービスの性能ではなく、入力速度で決まる下限値です。

これが示さないこと。 測定したのは静かな環境の合成音声であり、走行中の車内で携帯電話で録音した実音声ではありません。また、1 日・クリップあたり 1 回の実行です。これは、私たち自身の翻訳パイプラインがテストされる音声で、ユーザーが書き込む言語について行った比較であり、リーダーボードではありません。

結果:言語別の単語誤り率

各言語のクリップの平均 WER です。すべてのエンジンが 153 クリップすべてについて文字起こし結果を返しました。

言語	クリップ数	Azure AI Speech	Google Chirp 3	Amazon Transcribe
アラビア語	13	32%	46%	26%
中国語	13	3%	3%	8%
チェコ語	1	1%	2%	3%
オランダ語	1	2%	2%	3%
英語	21	2%	5%	2%
フランス語	13	5%	11%	12%
ドイツ語	13	7%	9%	13%
ヒンディー語	13	10%	10%	12%
ハンガリー語	1	9%	7%	8%
イタリア語	1	1%	1%	3%
日本語	13	6%	5%	5%
韓国語	1	9%	11%	11%
ポーランド語	1	1%	1%	2%
ポルトガル語(ブラジル)	13	5%	4%	6%
ロシア語	21	14%	10%	14%
スペイン語	13	6%	5%	6%
トルコ語	1	4%	3%	4%
153 クリップ全体	153	9%	10%	10%
対話ターンのみ	136	9%	11%	10%
フォーマルな文章のみ	17	4%	5%	5%
処理時間 ÷ 音声の長さ		0.10	0.22	0.41(入力速度に依存)

クリップが 1 件だけの言語(フォーマルな文章のみ)は参考として掲載しています。1 クリップの値は、誤り率ではなく 1 つのデータ点です。

数字から言えること

セット全体では、3 つのサービスの差は 1 ポイント以内です。 9%、10%、10% でした。153 クリップすべてで、すべてのエンジンが文字起こし結果を返しました。17 言語のカバレッジは 3 つとも完全です。
差は言語ごとに生じ、優劣は双方向です。 Azure はフランス語(5% 対 11% と 12%)とドイツ語(7% 対 9% と 13%)で最も誤り率が低く、英語(Amazon Transcribe と並んで 2%)と中国語(Google と並んで 3%)でも最も低い値でした。Amazon Transcribe はアラビア語(26% 対 32% と 46%)で最も低く、Google はロシア語(10% 対 14% と 14%)、ポルトガル語、ハンガリー語、トルコ語で最も低い値でした。
アラビア語は 3 つとも苦手です。 アラビア語の対話クリップでの最良の結果は、4 語に 1 語が誤りというものです。これは翻訳側で見られた状況とも一致しており、品質が基準を満たすまで、2026 年 8 月にミーティング言語の選択肢からアラビア語を外しました(対応言語数について)。
処理時間は 3 つとも実時間を大きく下回ります。 このハーネスでは、30 秒のノートの処理に Azure で約 3 秒、Google で約 7 秒かかります。Amazon の値は、ペースを合わせた入力の影響が大半を占めます。

Azure AI Speech がデフォルトであり続ける理由

決め手となった順に、3 つの理由があります。

1. デフォルトゲートウェイが Azure だからです。 ゲートウェイを選択していない組織は、AI 機能を EU データゾーンの Azure OpenAI 上で実行するため、ボイスノートも同じテナント内の Azure AI Speech で文字起こしされます。サブプロセッサーも、リージョンも増えません。Microsoft は、Azure Speech が Speech リソースのリージョン外でデータを保存・処理しないと明記しています(regions page、2026年9月確認)。私たちのリソースはスウェーデン中部にあり、このリージョンは高速文字起こしの対象として記載されています。

2. API の形がボイスノートに合っているからです。 InterMIND のボイスノートは最長 10 分まで録音できます(ボイスノート)。Azure の高速文字起こしは、録音全体を 1 回のリクエストで受け付けます。Google の同期認識は 60 秒で止まるため、10 分のノートにはストレージバケット経由のバッチ認識かストリーミングセッションが必要です。Amazon Transcribe はストリーミングに対応していますが、受け付けるのは PCM、FLAC、Ogg-Opus で、スマートフォンやブラウザーが録音する形式ではないため、先に音声を変換する必要があります。どちらも解決できます(ハーネスでは解決しています)が、ノートごとの経路に動く部品が増えます。

3. 数字もこの選択に反していないからです。 9% 対 10% と 10% では、このセットのどのエンジンも、ボイスノートをデフォルトゲートウェイから移すのを正当化できるほど優れてはいません。Google や Amazon が半分の誤り率であれば、この記事はそう書いたはずです。

Vertex AI または Bedrock を利用している組織について

組織が Google Vertex AI または Amazon Bedrock をゲートウェイに選択している場合、AI 機能はそちらで動作します。そうした組織のボイスノートは、現時点では文字起こしなしの録音として届きます。この記事のとおり Google Cloud Speech-to-Text と Amazon Transcribe は測定しましたが、まだプロダクトには組み込んでいません。権限と連携コードは用意できています。すべてのノートの経路に組み込まれた時点で、この記事を更新します。それまでの間、Vertex AI または Bedrock の組織でのボイスノートは、再生できる録音のままです。ゲートウェイを Azure に切り替えた組織では、その後に送られたノートから文字起こしが付きます。

FAQ

InterMIND はどの音声認識サービスを使っていますか?

チャットのボイスノートには、スウェーデン中部にある InterMIND 自身の Azure テナント内の Azure AI Speech(高速文字起こし API)を使っています。デフォルトの AI ゲートウェイの音声サービスです。ミーティング中のライブ音声は別の経路です。InterMIND 独自のメディアエンジンである Mind API が、フランスの OVH でホストされた環境で処理し、クラウドの音声サービスには一切触れません(1 回のミーティングが動作する場所)。

Azure AI Speech は Google Speech-to-Text や Amazon Transcribe より正確ですか?

17 言語・153 件のボイスノートクリップのセットを、同じ日に同じハーネスで測定したところ、平均単語誤り率は Azure AI Speech が 9%、Google Cloud Speech-to-Text(Chirp 3)が 10%、Amazon Transcribe が 10% でした。言語別では順位が入れ替わります。Azure はフランス語、英語、中国語で最も低く、Amazon Transcribe はアラビア語、Google はロシア語で最も低い値でした。録音のセットが異なれば、順位も変わりえます。上の表は、私たちのセットについての根拠です。

単語誤り率とは何ですか?ここではどのように計算しましたか?

単語誤り率は、置換・挿入・削除された単語の数を、参照テキストの単語数で割ったものです。比較の前に、大文字小文字、句読点、空白を正規化します。中国語と日本語は、単語をスペースで区切らない文字体系なので、文字単位で比較します。9% は、おおよそ 11 語に 1 語が参照テキストと異なることを意味します。

ボイスノートの音声は EU の外に出ますか?

出ません。録音は EU 内の InterMIND のオブジェクトストレージに保存され、文字起こしする音声サービスも EU リージョンで動作します。Azure ではスウェーデン中部、Google Cloud では eu マルチリージョン、AWS ではフランクフルトです。関係する事業者とリージョンの一覧は、サブプロセッサーのページとトラストページにあります。

音声が端末の外に出ないよう、アプリ内(クライアント側)で音声認識しないのはなぜですか?

それも 2026 年 9 月に測定しました。ローカル処理を使う Chrome の内蔵認識エンジンは、プロダクト対応言語のフォーマルな 17 クリップのうち 0 件しか認識できませんでした。また、クライアント側の認識エンジンの対応言語は、上の表の 17 言語よりはるかに限られます。クライアント側の認識は、プラットフォームの進歩に合わせて再測定していく方向です。現時点では、すべてのメンバーのすべての言語で機能するのは、ゲートウェイ経由の方法です。

組織は、ボイスノートを文字起こしする音声サービスを選べますか?

個別には選べません。組織の管理者が連携ページで選択するのは AI ゲートウェイです。デフォルトゲートウェイでは、ボイスノートは Azure AI Speech で文字起こしされます。Vertex AI と Amazon Bedrock では、ボイスノートはまだ文字起こしされません。上のセクションをご覧ください。

ボイスノートはどれくらいの長さまで可能ですか?API による制限はありますか?

最長 10 分です。Azure の高速文字起こしは最大 5 時間・500 MB のファイルを 1 回のリクエストで受け付けるため、ノートは 1 回の呼び出しで文字起こしされます。Google の同期認識は 60 秒・10 MB までなので、ハーネスでは長いクリップを無音箇所で分割しました。

認識エンジンに話者の言語を伝え、自動検出させないのはなぜですか?

ボイスノートは短いからです。4 秒のクリップでは、自動言語識別が誤った言語を返すことがあります。ロシア語のテストノートが英語として返ってきました。一方、メンバーのプロフィール言語は、ほぼ毎回正しいものです。認識エンジンにはその言語を渡し、不明な場合にのみ、ルームの言語を候補として渡します。

ミーティングの音声も同じサービスで文字起こしされますか?

いいえ。ミーティング中のライブ音声は、通話を運ぶメディアサーバー上の InterMIND 独自エンジン(Mind API)で認識・翻訳されます。サーバーはフランスの OVH でホストされています。1 回のミーティングが動作する場所をご覧ください。クラウドゲートウェイが扱うのはテキストのみで、通話の音声は扱いません(meeting AI on your own gateway)。

結果は再び公開しますか?

ハーネスはコマンド 1 つで実行でき、各エンジンの権限も整っているため、ベンダーが新しいモデルを出した時点で表を再測定できます。状況が変わった場合は、日付を付けてこの記事を更新します。

ご自身でお試しください

ボイスノートの仕組みを読む — 録音、10 分の上限、音声の行き先について。
サブプロセッサー一覧を見る — お客様のデータを処理するすべての事業者について、ベンダー、国、目的、リージョンを掲載しています。
ライブデモを試す — 本番の翻訳パイプラインを、ご自身の音声で、サインアップなしで試せます。

出典:Microsoft — Azure AI Speech 高速文字起こし(learn.microsoft.com)および Speech リージョン表(learn.microsoft.com)、Google Cloud — Chirp 3 モデル(docs.cloud.google.com)、同期認識の制限(docs.cloud.google.com)、対応言語(docs.cloud.google.com)、AWS — Amazon Transcribe ストリーミング(docs.aws.amazon.com)、エンドポイントとクォータ(docs.aws.amazon.com)、対応言語(docs.aws.amazon.com)。いずれも 2026 年 9 月に確認。測定:InterMIND speech bench、2026-09-16、153 クリップ、17 言語。