Azure AI Speech、Google Chirp 3、Amazon Transcribe を153件の音声メッセージで比較:InterMIND が音声認識を組織ご自身のクラウドゲートウェイで実行する理由(2026年)

InterMIND のチャンネルに届いた音声メッセージは、チームメンバー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(speech-to-text)です。ホスト側の IT 担当者やクライアントの審査担当者が尋ねるのは「精度はどれくらいか」ではなく、「それは誰のサービスで、音声はどこへ送られるのか」です。

結論から言うと、既定の AI ゲートウェイの音声サービスである Azure AI Speech を、スウェーデン中部にある InterMIND 専用の Azure テナントで使います。組織が選べる他の2つのゲートウェイの音声サービスも同じ音声で計測しており、選択は好みではなく数値に基づいています。この記事では、その根拠となる数値を示します。同じ153件の音声を、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ポイントよりも重要な、各 API についての2つの事実も取り上げます。

まずルール:組織ごとにゲートウェイは1つ

InterMIND のすべての AI 機能(会議の要約、ドキュメントの要約、文章作成アシスタント、Ask AI、会議中の Mia)は、組織が選択する1つの言語モデルゲートウェイ上で動きます。既定は 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 専用のテナント内です。この考え方はMeeting AI on your own cloud gatewayで説明しました。多くの組織では、そのゲートウェイがすでに承認済みの委託先リストに載っているため、AI 機能を使っても新たな企業がリストに加わることはありません。

音声メッセージの音声認識も、現時点では既定のゲートウェイについて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、今回の記事ではそれらを計測しました。

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法
Azure OpenAI(Microsoft)	Azure AI Speech、fast transcription 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 ドキュメント、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。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を使用(同期認識の制限、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(ストリーミングドキュメント、2026年9月確認)

どの場合も、認識エンジンには話者自身の言語(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。短い音声では自動言語判定が不安定だったためです。私たちのテストでは、4秒のロシア語の音声が英語として返ってきました。製品は現在 Azure をこの方法で呼び出しており、テストでも他の2つを同じ方法で呼び出しています。

何を計測したか

データセット。 17言語、153件の音声です。内訳は、136件の対話ターンと17件のフォーマルな文章です。対話ターンは、2つのビジネス対話(契約交渉と毎日のスタンドアップ)を、製品が持つ2つの合成音声が10言語で読み上げたものです。フォーマルな文章は、公開翻訳ベンチマークに使っている FLORES-200 の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、実際の音声メッセージと同程度の長さです。

指標。 参照テキストに対する単語誤り率(WER)です。置換・挿入・削除された単語の割合を、大文字小文字、句読点、空白を正規化したうえで算出しました。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、傾向は同じです。

計測環境。 2026年9月16日に、1つのスクリプトを1台のマシンで1時間かけて実行し、各エンジンで153件すべてを処理しました。Azure と Amazon Transcribe は各音声をそのまま処理しています。Google の同期認識は最大60秒までなので、17件のフォーマルな音声は無音区間で55秒未満に分割し、文字起こしを連結しました。136件の対話音声はそのまま処理しています。Amazon Transcribe は実時間のペースで音声を受け取る仕様のため、計測スクリプトは実時間の4倍の速度で送りました。したがって下記の Amazon の処理時間は、サービスではなく入力ペースで決まる下限値です。

この計測の限界。 静かな環境の合成音声であり、車内で電話から録音したような実環境の音声ではありません。計測は1日、音声ごとに1回です。これは、私たちの翻訳パイプラインがテストされている音声を使い、ユーザーが書く言語で行った比較であり、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

各言語の音声に対する平均 WER です。すべてのエンジンが153件すべてに文字起こしを返しました。

言語	件数	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%
全153件	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(入力ペースに依存)

音声が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件の数値は割合ではなく、1つのデータ点です。

数値から言えること

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件すべてが全エンジンから文字起こしを返しており、17言語のカバレッジは3つとも完全です。
差は言語ごとに現れ、優劣は双方向です。 Azure は、フランス語(5%、他は11%と12%)とドイツ語(7%、他は9%と13%)で最も低い誤り率でした。英語(2%、Amazon Transcribe と同率)と中国語(3%、Google と同率)でも最も低い値でした。アラビア語では Amazon Transcribe が最も低く(26%、他は32%と46%)、ロシア語(10%、他は14%と14%)、ポルトガル語、ハンガリー語、トルコ語では Google が最も低い値でした。
アラビア語は3つとも苦手です。 アラビア語の対話音声での最良の結果は、4語に1語が誤りという水準です。これは翻訳側で見られた傾向とも一致しており、品質が基準に達するまで、2026年8月にアラビア語を会議の言語選択から外しました(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。 この計測環境では、30秒の音声メッセージの処理に Azure で約3秒、Google で約7秒かかります。Amazon の数値は、ペースを調整した入力に左右されています。

Azure AI Speech が既定であり続ける理由

決め手となった順に、3つの理由があります。

1. 既定のゲートウェイが 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 上で実行しており、音声メッセージも同じテナント内の Azure AI Speech で文字起こしされます。委託先が増えることも、リージョンが増えることもありません。Microsoft は、Azure Speech が Speech リソースのリージョン外でデータを保存・処理しないと述べています(リージョンのページ、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、fast transcription の対応リージョンとして掲載されています。

2. API の仕様が音声メッセージに合っているからです。 InterMIND の音声メッセージは最長10分です(音声メッセージ)。Azure の fast transcription は、録音全体を1回のリクエストで受け取ります。Google の同期認識は60秒で打ち切られるため、10分の音声メッセージ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し、計測スクリプトでも解決していますが、すべての音声メッセージの経路で可動部が増えることになります。

3. 数値が既定を覆すものではないからです。 9%に対して10%と10%という差では、このデータセットのどのエンジンも、音声メッセージを既定のゲートウェイから移すのに十分なほど優れているとは言えません。Google や Amazon の誤り率が半分だったなら、この記事はそのことを書いていたはずです。

Vertex AI または Bedrock を使う組織の場合

組織が Google Vertex AI または Amazon Bedrock をゲートウェイとして選択している場合、AI 機能はそちらで動作します。そうした組織の音声メッセージは、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 は計測済みですが、まだ製品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おり、すべての音声メッセージの経路に入った時点でこの記事を更新します。それまでは、Vertex AI または Bedrock の組織の音声メッセージは再生可能な録音です。ゲートウェイを Azure に切り替えた組織では、その後に送信された音声メッセージ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?

チャットの音声メッセージには、スウェーデン中部にある InterMIND 専用の Azure テナントで Azure AI Speech(fast transcription API)を使っています。これは既定の AI ゲートウェイの音声サービスです。会議中のライブ音声は別の経路です。フランスの OVH でホストしている InterMIND 独自のメディアエンジン、Mind API 上で動作し、クラウドの音声サービスには一切触れません(1つの会議がどこで動くか)。

Azure AI Speech は Google Speech-to-Text や Amazon Transcribe より精度が高いですか?

17言語・153件の音声メッセージのデータセットを、同じ日に同じ計測スクリプトで測定したところ、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。別の録音セットでは順位が変わる可能性があります。私たちのデータセットでの根拠は、上の表のとおりです。

単語誤り率とは何ですか。ここではどのように算出しましたか?

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、空白を正規化しています。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のため、文字単位で比較しています。9%は、約11語に1語が参照と異なることを意味します。

音声メッセージの音声が EU の外に出ることはありますか?

ありません。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、委託先ページとトラストページにあります。

アプリ内(クライアント側)で音声認識して、音声が端末から出ないようにしないのはなぜですか?

それも2026年9月に計測しました。Chrome 内蔵の認識エンジンをローカル処理で使ったところ、製品の対応言語にわたるフォーマルな17件の音声のうち、認識できたのは0件でした。クライアント側の認識エンジンが対応する言語は、上の表の17言語よりはるかに限られています。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計測していく方向ですが、現時点ではゲートウェイ経由の経路が、すべてのメンバーのすべての言語で機能する方法です。

組織として、音声メッセージを文字起こしする音声サービスを選べますか?

音声サービスだけを個別に選ぶことはできません。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。既定のゲートウェイでは、音声メッセージは Azure AI Speech で文字起こしされます。Vertex AI と Amazon Bedrock では、音声メッセージ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。

音声メッセージの長さはどこまで可能ですか。API による制限はありますか?

最長10分です。Azure の fast transcription 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、音声メッセージは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までです。そのため、計測スクリプトは長い音声を無音区間で分割しました。

なぜ認識エンジンには、言語を判定させず話者の言語を伝えるのですか?

音声メッセージは短いからです。4秒の音声では、自動言語判定が誤った言語を返すことがあります。ロシア語のテスト音声が英語として返ってきたこともありました。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、言語が不明な場合にのみ、ルームの言語を候補として渡します。

会議の音声も同じサービスで文字起こしされますか?

いいえ。会議中のライブ音声は、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。ホストはフランスの OVH です。1つの会議がどこで動くかをご覧ください。クラウドゲートウェイが受け取るのはテキストのみで、通話の音声は受け取りません(自社のゲートウェイで動く会議 AI)。

この結果は今後も公開されますか?

計測スクリプトはコマンド1つで実行でき、各エンジンの権限も設定済みです。ベンダーが新しいモデルを出した時点で、表を再計測できます。結果が変われば、日付を付けてこの記事を更新します。

実際に試す

音声メッセージの仕組みを読む — 録音、10分の上限、音声の行き先。
委託先リストを見る — お客様のデータを処理するすべての事業者の名称、国、目的、リージョン。
ライブデモを試す — 本番の翻訳パイプラインを、お手持ちの音声で。登録不要。

出典:Microsoft — Azure AI Speech fast transcription(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。計測:InterMIND speech bench、2026年9月16日、153件、17言語。