Azure AI Speech, Google Chirp 3 және Amazon Transcribe: 153 дыбыстық хабарламадағы салыстыру және InterMIND сөйлеуді мәтінге айналдыруды неліктен ұйымыңыздың өз бұлттық шлюзінде орындайды (2026)

InterMIND арнасындағы дыбыстық хабарлама мәтіндік хабарламаға айналады, оны әр әріптес өз тілінде оқиды. Мұның алғашқы қадамы — сөйлеуді мәтінге айналдыру. IT және compliance бойынша сарапшылар бізден «қаншалықты дәл» деп емес, «бұл кімнің сервисі және аудио қайда барады» деп сұрайды.

Қысқа жауап: әдепкі AI шлюзінің сөйлеу сервисі — Azure AI Speech, InterMIND-тың Швеция Орталық (Sweden Central) аймағындағы өз Azure тенантында жұмыс істейді. Ұйым таңдай алатын қалған екі шлюздің сөйлеу сервистері де сол клиптерде өлшенді, сондықтан таңдау қалау емес, нақты сан болып отыр. Бұл жазбада сол таңдаудың артындағы сандар келтірілген: сол 153 клип сол күні Azure AI Speech, Google Cloud Speech-to-Text және Amazon Transcribe арқылы өткізілді. Сонымен қатар әр API туралы дәлдіктің бір пайыздық тармағынан маңыздырақ екі факт та берілген.

Ереже бірінші: ұйымға бір шлюз

InterMIND-тағы барлық AI функциясы — кездесу қорытындылары, құжат түйіндемелері, жазу көмекшісі, Ask AI және кездесудегі Mia — ұйым таңдаған бір тілдік модель шлюзінде жұмыс істейді. Әдепкі бойынша ол — EU Data Zone ішіндегі Azure OpenAI. Қалауыңызша ЕО multi-region endpoint-тегі Google Vertex AI немесе Франкфурттегі Amazon Bedrock таңдауға болады. Әрқайсысы InterMIND-тың өз тенантында орналасқан. Бұл логиканы Кездесулердегі AI өз бұлттық шлюзіңізде жазбасында түсіндірдік: көптеген ұйымдар үшін бұл шлюз бекітілген қосалқы өңдеушілер тізімінде бар, сондықтан AI функциясы тізімге жаңа компания қоспайды.

Дыбыстық хабарламаларды мәтінге айналдыру бүгін әдепкі шлюзде дәл осы ережеге сәйкес жұмыс істейді. Үш шлюздің әрқайсысында тілдік модельдерінің жанында сөйлеу сервисі бар, осы жазба сол сервистерді өлшейді:

Тану жүйесіне әр жағдайда сөйлеушінің өз тілі, яғни мүше профилінде көрсеткен тіл айтылады. Біздің тестілеуде қысқа клиптерде автоматты тіл анықтау сенімсіз болды: төрт секундтық орыс тіліндегі хабарлама ағылшын тілі болып шықты. Өнім Azure-ды бүгін дәл осылай шақырады, тест те қалған екеуін солай шақырды.

Біз нені өлшедік

Жиынтық. 17 тілдегі 153 клип: 136 диалог репликасы және 17 ресми үзінді. Диалогтар — өнімнің екі синтетикалық дауысы он тілде айтқан екі іскерлік диалог (келісімшарт бойынша келіссөз және күнделікті stand-up). Ресми үзінділер — біздің жария аударма бенчмаркіміздің FLORES-200 іскерлік сөйлемдері, синтетикалық дауыспен оқылған, әр тілге біреуден, ұзақтығы 71–109 секунд. Диалог репликалары 3–30 секунд, яғни нақты дыбыстық хабарлама ұзақтығындай.

Метрика. Анықтамалық мәтінге қатысты сөз қателігі деңгейі (WER) — регистрді, тыныс белгілерін және бос орындарды қалыпқа келтіргеннен кейін ауыстырылған, қосылған немесе жойылған сөздердің үлесі. Қытай және жапон тілдері әріппен (таңбамен) салыстырылады. Таңба қателігі деңгейі де жазылды және сол суретті көрсетеді.

Тестілеу құралы. Бір скрипт, бір машина, 2026-09-16 күні бір сағат, әр жүйе барлық 153 клипте. Azure және Amazon Transcribe әр клипті тұтас қабылдады. Google-дың синхронды тану жүйесі ең көбі 60 секунд қабылдайды, сондықтан 17 ресми клип үнсіздік орындарында 55 секундтан қысқа бөліктерге кесіліп, транскрипттер біріктірілді; 136 диалог клипі тұтас жіберілді. Amazon Transcribe аудионы нақты уақыт қарқынында қалайды, сондықтан құрал оған нақты уақыттан төрт есе жылдам берді. Төмендегі кідіріс көрсеткіші сондықтан сервистің емес, беру жылдамдығының төменгі шегі болып табылады.

Бұл нені білдірмейді. Бұл тыныш аудиодағы синтетикалық дауыстар, көліктегі телефоннан алынған далалық жазбалар емес. Бір күн, әр клипке бір жүгіру. Бұл біздің өз аударма конвейеріміз тестіленетін аудиода, пайдаланушыларымыз жазатын тілдерде жасалған салыстыру, рейтинг кестесі емес.

Нәтижелер: тіл бойынша сөз қателігі деңгейі

Әр тілдің клиптеріндегі орташа WER; әр жүйе барлық 153 клип үшін транскрипт қайтарды.

Бір клипі бар тілдер (тек ресми үзінді) толықтық үшін көрсетілген; бір клиптің көрсеткіші — деректер нүктесі, жалпы деңгей емес.

Сандар не дейді

• Бүкіл жиынтықта үш сервис бір пайыздық тармақ шегінде: 9%, 10% және 10%. 153 клиптің әрқайсысы үшін әр жүйе транскрипт қайтарды, яғни 17 тілді қамту үшеуінде де толық.
• Айырмашылықтар тілдер бойынша және екі жаққа да ауытқиды. Azure француз (5%, қарсысында 11% және 12%) және неміс (7%, қарсысында 9% және 13%) тілдерінде ең төмен қателік көрсетті. Ағылшын (2%, Amazon Transcribe-пен тең) және қытай (3%, Google-мен тең) тілдерінде ең төмен нәтижені бөлісті. Amazon Transcribe араб тілінде ең төмен нәтиже көрсетті (26%, қарсысында 32% және 46%). Google орыс (10%, қарсысында 14% және 14%), португал, венгр және түрік тілдерінде ең төмен нәтиже көрсетті.
• Араб тілі үшеуі үшін де қиын. Араб диалог клиптеріндегі ең жақсы нәтиже — төрт сөздің бірі қате. Бұл аударма жағында көргенімізге сәйкес: сапа біздің талаптан өтпегендіктен, 2026 жылғы тамызда араб тілін кездесу тілдерін таңдау тізімінен алып тастадық (қанша тілді қолдайтынымыз).
• Өңдеу уақыты үшеуінде де нақты уақыттан әлдеқайда төмен. Осы тестілеу құралында 30 секундтық хабарлама Azure-да шамамен үш секунд, Google-да шамамен жеті секунд алады; Amazon көрсеткішін бірқалыпты беру қарқыны анықтайды.

Azure AI Speech неге әдепкі болып қалады

Үш себеп, шешім қабылдау реті бойынша.

1. Әдепкі шлюз — Azure. Шлюз таңдамаған ұйым AI функцияларын EU Data Zone ішіндегі Azure OpenAI-да іске қосады, сондықтан оның дыбыстық хабарламаларын сол тенанттағы Azure AI Speech мәтінге айналдырады. Қосымша қосалқы өңдеуші де, қосымша аймақ та жоқ. Microsoft Azure Speech деректерді Speech ресурсының аймағынан тыс сақтамайтынын және өңдемейтінін мәлімдейді (аймақтар беті, 2026 жылғы қыркүйекте тексерілген); біздің ресурс Sweden Central аймағында, ол fast transcription үшін тізімде бар.

2. API құрылымы дыбыстық хабарламаға сай. InterMIND-тағы дыбыстық хабарлама он минутқа дейін созылуы мүмкін (дыбыстық хабарламалар). Azure fast transcription бүкіл жазбаны бір сұраныспен қабылдайды. Google-дың синхронды тануы 60 секундта тоқтайды, сондықтан он минуттық хабарлама сақтау бакеті арқылы пакеттік тануды немесе стримингтік сессияны қажет етеді. Amazon Transcribe стримингті қолдайды, бірақ телефондар мен браузерлер жазатын форматтарды емес, PCM, FLAC немесе Ogg-Opus қабылдайды, сондықтан аудио алдымен транскодталады. Екеуін де шешуге болады, тестілеу құралы оларды шешеді, бірақ олар әр хабарлама жолында қосымша қозғалмалы бөлшектер болады.

3. Сандар оған қарсы емес. 10% және 10%-ға қарсы 9% жағдайында бұл жиынтықта ешбір жүйе дыбыстық хабарламаларды әдепкі шлюзден көшіруді ақтайтындай жақсы емес. Google немесе Amazon қателік деңгейін екі есе төмен көрсеткенде, бұл жазба оны айтар еді.

Vertex AI немесе Bedrock қолданатын ұйымдар үшін бұл нені білдіреді

Ұйымыңыз шлюз ретінде Google Vertex AI немесе Amazon Bedrock таңдаса, AI функцияларыңыз сонда жұмыс істейді. Мұндай ұйымдардағы дыбыстық хабарламалар қазір транскриптсіз жазба түрінде келеді: біз Google Cloud Speech-to-Text пен Amazon Transcribe-ті осы жазбада көрсетілгендей өлшедік, бірақ оларды өнімге әлі қосқан жоқпыз. Рұқсаттар мен интеграция коды бар; олар әр хабарлама жолына қосылған кезде бұл жазба жаңартылады. Ол уақытқа дейін Vertex AI немесе Bedrock ұйымындағы дыбыстық хабарлама — тыңдауға болатын жазба. Шлюзін Azure-ға ауыстырған ұйым содан кейін жіберілген хабарламалар бойынша транскрипттер алады.

FAQ

InterMIND қандай сөйлеуді мәтінге айналдыру сервисін қолданады?

Чаттағы дыбыстық хабарламалар үшін — InterMIND-тың Sweden Central аймағындағы өз Azure тенантында Azure AI Speech (fast transcription API), яғни әдепкі AI шлюзінің сөйлеу сервисі. Кездесулердегі тірі сөйлеу басқа жолмен жүреді: ол InterMIND-тың өз медиа қозғалтқышында, Франциядағы OVH-те орналасқан Mind API-да жұмыс істейді және бұлттық сөйлеу сервисіне ешқашан тимейді (бір кездесу қайда жұмыс істейді).

Azure AI Speech Google Speech-to-Text немесе Amazon Transcribe-ке қарағанда дәлірек пе?

17 тілдегі 153 дыбыстық хабарлама клибінен тұратын біздің жиынтықта, сол күні сол тестілеу құралымен өлшегенде, Azure AI Speech-тің орташа сөз қателігі деңгейі 9%, Google Cloud Speech-to-Text (Chirp 3) 10% және Amazon Transcribe 10% болды. Тіл бойынша реттілік өзгереді: Azure француз, ағылшын және қытай тілдерінде ең төмен болды, Amazon Transcribe араб тілінде, Google орыс тілінде. Басқа жазбалар жиынтығында рейтинг өзгеше болуы мүмкін; жоғарыдағы кесте — біздікі үшін дәлел.

Сөз қателігі деңгейі дегеніміз не және мұнда ол қалай есептелді?

Сөз қателігі деңгейі — ауыстырылған, қосылған және жойылған сөздер санының анықтамалық мәтіндегі сөздер санына қатынасы. Салыстырар алдында регистрді, тыныс белгілерін және бос орындарды қалыпқа келтіреміз, ал қытай және жапон тілдерін таңбамен салыстырамыз, себебі бұл жазулар сөздерді бос орынмен бөлмейді. 9% деңгейі он бір сөздің шамамен бірі анықтамадан өзгеше екенін білдіреді.

Дыбыстық хабарламаның аудиосы ЕО-дан шыға ма?

Жоқ. Жазба InterMIND-тың ЕО-дағы объектілік қоймасында сақталады, ал оны мәтінге айналдыратын сөйлеу сервисі ЕО аймағында жұмыс істейді: Azure-да Sweden Central, Google Cloud-та eu multi-region, AWS-те Франкфурт. Тараптар мен аймақтардың толық тізімі қосалқы өңдеушілер бетінде және сенім бетінде берілген.

Аудио телефоннан шықпауы үшін сөйлеуді неге клиент жағында, қосымшаның өзінде танымасқа?

Мұны да өлшедік, 2026 жылғы қыркүйекте. Chrome-дың жергілікті өңдеумен кірістірілген тану жүйесі өнім тілдері бойынша 17 ресми клиптің 0-ін таныды, ал клиенттік тану жүйелерінің тіл қамтуы жоғарыдағы кестедегі 17 тілден әлдеқайда тар. Клиенттік тану — платформалар жақсарған сайын қайта өлшейтін бағытымыз; бүгін әр мүше үшін әр тілде жұмыс істейтіні — шлюз жолы.

Ұйымымыз дыбыстық хабарламаларын қай сөйлеу сервисі мәтінге айналдыратынын таңдай ала ма?

Бөлек емес: ұйым әкімшісі Integrations бетінде AI шлюзін таңдайды. Әдепкі шлюзде дыбыстық хабарламаларды Azure AI Speech мәтінге айналдырады. Vertex AI және Amazon Bedrock-та дыбыстық хабарламалар әзірге мәтінге айналдырылмайды — жоғарыдағы бөлімді қараңыз.

Дыбыстық хабарлама қанша уақытқа дейін созылуы мүмкін және API оны шектей ме?

Он минутқа дейін. Azure fast transcription бір сұраныспен 5 сағатқа және 500 МБ-қа дейінгі файлдарды қабылдайды, сондықтан хабарлама бір шақыруда мәтінге айналады. Google-дың синхронды тануы 60 секундты және 10 МБ-ты қабылдайды, сондықтан тестілеу құралы ұзын клиптерді үнсіздік орындарында бөліктерге кесті.

Тану жүйесіне сөйлеушінің тілі неге айтылады, оны неге өзі анықтамайды?

Себебі дыбыстық хабарлама қысқа. Төрт секундтық клипте автоматты тіл анықтау қате тілді қайтаруы мүмкін: орыс тіліндегі тест хабарламасы ағылшын тілі болып шықты; мүше профилінің тілі дерлік әрқашан дұрыс. Тану жүйесі сол тілді алады, ал тек ол белгісіз болғанда ғана бөлменің тілдерін үміткер ретінде алады.

Кездесу аудиосын да сол сервис мәтінге айналдыра ма?

Жоқ. Кездесудегі тірі сөйлеуді қоңырауды алып жүретін медиа серверде, Франциядағы OVH-те орналасқан InterMIND-тың өз қозғалтқышында (Mind API) таниды және аударады — бір кездесу қайда жұмыс істейтінін қараңыз. Бұлттық шлюз мәтінді көреді, қоңырау аудиосын ешқашан көрмейді (өз шлюзіңіздегі кездесу AI-ы).

Нәтижелерді қайта жариялайсыздар ма?

Тестілеу құралы бір командамен іске қосылады және әр жүйенің рұқсаттары орнында, сондықтан жеткізуші жаңа модель шығарғанда кестені қайта өлшеуге болады. Сурет өзгерсе, бұл жазба күнімен бірге жаңартылады.

Өзіңіз көріңіз

• Дыбыстық хабарламалар қалай жұмыс істейтінін оқыңыз — жазу, он минуттық шектеу және аудио қайда барады.
• Қосалқы өңдеушілер тізімін қараңыз — деректеріңізді өңдейтін әр тараптың жеткізушісі, елі, мақсаты және аймағы.
• Тірі демоны байқап көріңіз — өз аудиоңызда өндірістік аударма конвейері, тіркелусіз.

Дереккөздер: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) және Speech аймақтары кестесі (learn.microsoft.com); Google Cloud — Chirp 3 моделі (docs.cloud.google.com), синхронды тану шектеулері (docs.cloud.google.com) және қолдау көрсетілетін тілдер (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpoint-тер және квоталар (docs.aws.amazon.com) және қолдау көрсетілетін тілдер (docs.aws.amazon.com); барлығы 2026 жылғы қыркүйекте тексерілген. Өлшеу: InterMIND speech bench, 2026-09-16, 153 клип, 17 тіл.