Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe, 음성 메모 153건 비교: InterMIND가 조직 자체의 클라우드 게이트웨이에서 음성 텍스트 변환을 실행하는 이유 (2026)

InterMIND 채널에 올린 음성 메모는 모든 팀원이 각자의 언어로 읽는 텍스트 메시지가 됩니다. 그 첫 단계가 음성 텍스트 변환(speech-to-text)이며, 호스트 조직의 IT 담당자나 고객사 검토자가 묻는 것은 "얼마나 정확한가"가 아니라 "누구의 서비스이며 오디오는 어디로 가는가"입니다.

짧게 답하면 이렇습니다. 기본 AI 게이트웨이의 음성 서비스인 Azure AI Speech를, 스웨덴 중부(Sweden Central)에 있는 InterMIND 전용 Azure 테넌트에서 사용합니다. 조직이 선택할 수 있는 나머지 두 게이트웨이의 음성 서비스도 같은 클립으로 측정했으므로, 이 선택은 취향이 아니라 수치에 근거합니다. 이 글에서는 같은 153개 클립을 같은 날 Azure AI Speech, Google Cloud Speech-to-Text, Amazon Transcribe에 넣어 얻은 수치와, 정확도 1퍼센트포인트보다 더 중요한 각 API의 두 가지 사실을 소개합니다.

규칙이 먼저입니다: 조직당 하나의 게이트웨이

InterMIND의 모든 AI 기능(회의 요약, 문서 요약, 작성 도우미, Ask AI, 회의 중 Mia)은 조직이 선택한 하나의 언어 모델 게이트웨이에서 실행됩니다. 기본값은 EU Data Zone의 Azure OpenAI이고, 선택에 따라 EU 멀티 리전 엔드포인트의 Google Vertex AI 또는 프랑크푸르트의 Amazon Bedrock을 쓸 수 있으며, 모두 InterMIND 전용 테넌트에서 운영됩니다. 이 방식의 근거는 Meeting AI on your own cloud gateway에서 설명했습니다. 대부분의 조직에서 그 게이트웨이는 이미 승인된 하위 처리자 목록에 있으므로, AI 기능을 추가해도 목록에 새로운 회사가 늘어나지 않습니다.

음성 메모의 음성 텍스트 변환도 현재는 기본 게이트웨이에서 같은 규칙을 따릅니다. 세 게이트웨이에는 각각 언어 모델과 함께 쓰는 음성 서비스가 있으며, 이 글은 바로 그것을 측정합니다.

인식기에는 모든 경우에 화자 본인의 언어, 즉 멤버가 프로필에 설정한 언어를 알려줍니다. 자동 언어 식별은 짧은 클립에서 신뢰하기 어렵다는 것이 자체 테스트에서 확인되었기 때문입니다. 4초짜리 러시아어 메모가 영어로 인식된 적이 있습니다. 제품이 현재 Azure를 호출하는 방식이 이것이며, 테스트에서도 나머지 두 서비스를 똑같이 호출했습니다.

측정 방법

데이터 세트. 17개 언어, 153개 클립입니다. 대화 턴 136개와 공식 구절 17개로 이루어져 있습니다. 대화 턴은 계약 협상과 데일리 스탠드업이라는 두 가지 비즈니스 대화를 제품의 합성 음성 두 개로 열 개 언어에서 읽은 것입니다. 공식 구절은 공개 번역 벤치마크에 쓰이는 FLORES-200 비즈니스 문장을 합성 음성으로 읽은 것으로, 언어당 하나씩이며 길이는 71109초입니다. 대화 턴은 330초로, 실제 음성 메모의 길이와 같습니다.

지표. 기준 텍스트 대비 단어 오류율(WER)입니다. 대소문자, 구두점, 공백을 정규화한 뒤 치환, 삽입, 삭제된 단어의 비율을 계산하며, 중국어와 일본어는 문자 단위로 비교합니다. 문자 오류율도 함께 기록했고, 결과는 같은 경향을 보였습니다.

하네스. 스크립트 하나, 머신 한 대로 2026-09-16에 한 시간 동안, 각 엔진이 153개 클립 전체를 처리했습니다. Azure와 Amazon Transcribe는 각 클립을 통째로 받았습니다. Google의 동기식 인식기는 최대 60초까지만 받으므로, 17개 공식 클립은 무음 구간에서 55초 미만의 조각으로 잘라 전사 결과를 이어 붙였고, 136개 대화 클립은 통째로 처리했습니다. Amazon Transcribe는 실시간 속도의 오디오를 요구하므로 하네스가 실시간보다 네 배 빠르게 공급했습니다. 따라서 아래의 지연 시간 수치는 서비스가 아니라 공급 속도가 정한 하한입니다.

이 측정이 아닌 것. 조용한 환경의 합성 음성이며, 차 안에서 휴대폰으로 녹음한 현장 음성이 아닙니다. 하루 동안, 클립당 한 번씩 실행했습니다. 자체 번역 파이프라인을 테스트하는 오디오로, 사용자가 쓰는 언어에서 비교한 것이며 순위표가 아닙니다.

결과: 언어별 단어 오류율

각 언어 클립의 평균 WER입니다. 모든 엔진이 153개 클립 전체에 대해 전사 결과를 반환했습니다.

클립이 하나뿐인 언어(공식 구절만 있는 언어)는 완전성을 위해 표시했으며, 클립 하나의 수치는 비율이 아니라 하나의 데이터 포인트입니다.

수치가 말해 주는 것

• 전체 세트에서 세 서비스의 차이는 1퍼센트포인트 이내입니다. 9%, 10%, 10%입니다. 153개 클립 모두에서 모든 엔진이 전사 결과를 반환했으므로, 17개 언어 커버리지는 세 서비스 모두 완전합니다.
• 차이는 언어별로 나타나며, 양쪽 방향으로 갈립니다. Azure는 프랑스어(5%, 다른 둘은 11%와 12%)와 독일어(7%, 다른 둘은 9%와 13%)에서 오류율이 가장 낮았고, 영어(Amazon Transcribe와 함께 2%)와 중국어(Google과 함께 3%)에서는 공동 최저였습니다. Amazon Transcribe는 아랍어(26%, 다른 둘은 32%와 46%)에서 가장 낮았습니다. Google은 러시아어(10%, 다른 둘은 모두 14%), 포르투갈어, 헝가리어, 튀르키예어에서 가장 낮았습니다.
• 아랍어는 세 서비스 모두에게 어렵습니다. 아랍어 대화 클립에서 가장 좋은 결과도 네 단어 중 하나가 틀리는 수준입니다. 번역 쪽에서 본 상황과 일치하며, 품질이 기준을 충족할 때까지 2026년 8월 회의 언어 선택기에서 아랍어를 제외했습니다(지원하는 언어 수).
• 처리 시간은 세 서비스 모두 실시간보다 훨씬 짧습니다. 이 하네스에서 30초짜리 메모는 Azure에서 약 3초, Google에서 약 7초가 걸렸습니다. Amazon 수치는 속도를 맞춰 공급한 영향이 대부분입니다.

Azure AI Speech가 기본값으로 남는 이유

결정에 영향을 준 순서대로 세 가지 이유가 있습니다.

1. 기본 게이트웨이가 Azure입니다. 게이트웨이를 선택하지 않은 조직은 EU Data Zone의 Azure OpenAI에서 AI 기능을 실행하므로, 음성 메모도 같은 테넌트의 Azure AI Speech가 전사합니다. 하위 처리자도, 리전도 추가되지 않습니다. Microsoft는 Azure Speech가 Speech 리소스의 리전 밖에서 데이터를 저장하거나 처리하지 않는다고 밝히고 있습니다(리전 페이지, 2026년 9월 확인). InterMIND의 리소스는 fast transcription 지원 리전으로 등재된 Sweden Central에 있습니다.

2. API 구조가 음성 메모에 맞습니다. InterMIND의 음성 메모는 최대 10분까지 가능합니다(음성 메모). Azure의 fast transcription은 녹음 전체를 한 번의 요청으로 받습니다. Google의 동기식 인식은 60초에서 끝나므로 10분짜리 메모에는 스토리지 버킷을 거치는 배치 인식이나 스트리밍 세션이 필요합니다. Amazon Transcribe는 스트리밍을 지원하지만 휴대폰과 브라우저가 녹음하는 형식이 아니라 PCM, FLAC, Ogg-Opus를 받으므로 오디오를 먼저 트랜스코딩해야 합니다. 둘 다 해결할 수 있고 하네스에서도 해결했지만, 모든 메모의 경로에 움직이는 부품이 더 늘어납니다.

3. 수치가 이 선택에 불리하지 않습니다. 9%와 10%, 10%라는 차이로는 이 세트의 어떤 엔진도 음성 메모를 기본 게이트웨이 밖으로 옮길 만큼 낫지 않습니다. Google이나 Amazon의 오류율이 절반이었다면 이 글이 그렇게 말했을 것입니다.

Vertex AI 또는 Bedrock을 쓰는 조직의 경우

조직이 게이트웨이로 Google Vertex AI나 Amazon Bedrock을 선택했다면 AI 기능은 그 게이트웨이에서 실행됩니다. 이런 조직의 음성 메모는 현재 전사 없이 녹음으로만 도착합니다. 이 글에서 보듯 Google Cloud Speech-to-Text와 Amazon Transcribe는 측정했지만 아직 제품에 연결하지 않았습니다. 권한 설정과 연동 코드는 마련되어 있으며, 모든 메모의 경로에 적용되면 이 글을 갱신하겠습니다. 그때까지 Vertex AI 또는 Bedrock 조직의 음성 메모는 재생 가능한 녹음입니다. 게이트웨이를 Azure로 바꾸는 조직은 그 시점부터 보내는 메모의 전사 결과를 받습니다.

FAQ

InterMIND는 어떤 음성 텍스트 변환 서비스를 사용하나요?

채팅의 음성 메모에는 스웨덴 중부에 있는 InterMIND 전용 Azure 테넌트의 Azure AI Speech(fast transcription API)를 사용합니다. 기본 AI 게이트웨이의 음성 서비스입니다. 회의 중 실시간 음성은 다른 경로입니다. 프랑스 OVH에 호스팅된 InterMIND 자체 미디어 엔진인 Mind API에서 실행되며, 클라우드 음성 서비스는 전혀 거치지 않습니다(하나의 회의가 실행되는 곳).

Azure AI Speech가 Google Speech-to-Text나 Amazon Transcribe보다 더 정확한가요?

17개 언어, 153개 음성 메모 클립으로 같은 날 같은 하네스에서 측정한 결과, 평균 단어 오류율은 Azure AI Speech 9%, Google Cloud Speech-to-Text(Chirp 3) 10%, Amazon Transcribe 10%였습니다. 언어별로는 순서가 바뀝니다. Azure는 프랑스어, 영어, 중국어에서, Amazon Transcribe는 아랍어에서, Google은 러시아어에서 가장 낮았습니다. 다른 녹음 세트에서는 순위가 달라질 수 있으며, 위의 표는 이 세트에 대한 근거입니다.

단어 오류율이란 무엇이며, 여기서는 어떻게 계산했나요?

단어 오류율은 치환, 삽입, 삭제된 단어 수를 기준 텍스트의 단어 수로 나눈 값입니다. 비교 전에 대소문자, 구두점, 공백을 정규화했고, 중국어와 일본어는 단어를 공백으로 구분하지 않으므로 문자 단위로 비교했습니다. 9%라면 대략 11단어 중 1단어가 기준 텍스트와 다르다는 뜻입니다.

음성 메모의 오디오가 EU 밖으로 나가나요?

아니요. 녹음은 EU에 있는 InterMIND의 오브젝트 스토리지에 저장되고, 이를 전사하는 음성 서비스도 EU 리전에서 실행됩니다. Azure는 Sweden Central, Google Cloud는 eu 멀티 리전, AWS는 프랑크푸르트입니다. 전체 업체와 리전 목록은 하위 처리자 페이지와 신뢰 센터에서 확인할 수 있습니다.

오디오가 휴대폰 밖으로 나가지 않도록 앱에서 클라이언트 측 음성 인식을 하면 안 되나요?

그 방식도 2026년 9월에 측정했습니다. 로컬 처리를 사용하는 Chrome 내장 인식기는 제품이 지원하는 언어의 공식 클립 17개 중 0개를 인식했고, 클라이언트 측 인식기의 언어 커버리지는 위 표의 17개 언어보다 훨씬 좁습니다. 클라이언트 측 인식은 플랫폼이 개선됨에 따라 다시 측정할 방향이지만, 현재 모든 멤버가 모든 언어로 쓸 수 있는 것은 게이트웨이 경로입니다.

우리 조직이 음성 메모를 전사할 음성 서비스를 선택할 수 있나요?

별도로 선택할 수는 없습니다. 조직 관리자가 통합(Integrations) 페이지에서 선택하는 것은 AI 게이트웨이입니다. 기본 게이트웨이에서는 음성 메모를 Azure AI Speech가 전사하고, Vertex AI와 Amazon Bedrock에서는 아직 음성 메모를 전사하지 않습니다. 위 섹션을 참고하세요.

음성 메모는 얼마나 길 수 있으며, API가 길이를 제한하나요?

최대 10분입니다. Azure의 fast transcription은 최대 5시간, 500MB 파일을 한 번의 요청으로 받으므로 메모 하나를 한 번의 호출로 전사합니다. Google의 동기식 인식은 60초, 10MB까지 받기 때문에 하네스가 긴 클립을 무음 구간에서 조각으로 잘랐습니다.

왜 인식기가 언어를 감지하지 않고 화자의 언어를 알려주나요?

음성 메모는 짧기 때문입니다. 4초짜리 클립에서는 자동 언어 식별이 잘못된 언어를 반환할 수 있으며, 러시아어 테스트 메모가 영어로 인식된 적도 있습니다. 반면 멤버의 프로필 언어는 거의 항상 맞습니다. 인식기에는 그 언어를 알려주고, 언어를 알 수 없을 때만 방에 있는 언어들을 후보로 제공합니다.

회의 오디오도 같은 서비스가 전사하나요?

아니요. 회의 중 실시간 음성은 통화를 전달하는 미디어 서버(프랑스 OVH에 호스팅)에서 InterMIND 자체 엔진(Mind API)이 인식하고 번역합니다. 하나의 회의가 실행되는 곳을 참고하세요. 클라우드 게이트웨이는 텍스트만 보며, 통화 오디오는 보지 않습니다(meeting AI on your own gateway).

결과를 다시 공개할 예정인가요?

하네스는 명령 하나로 실행되고 모든 엔진의 권한도 마련되어 있으므로, 업체가 새 모델을 내놓으면 표를 다시 측정할 수 있습니다. 결과가 달라지면 이 글을 날짜와 함께 갱신합니다.

직접 확인해 보세요

• 음성 메모의 작동 방식 읽기 — 녹음, 10분 제한, 그리고 오디오가 가는 곳.
• 하위 처리자 목록 보기 — 데이터를 처리하는 모든 당사자의 업체, 국가, 목적, 리전.
• 라이브 데모 체험하기 — 가입 없이, 직접 녹음한 오디오로 실제 운영 중인 번역 파이프라인을 체험할 수 있습니다.

출처: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) 및 Speech 리전 표 (learn.microsoft.com); Google Cloud — Chirp 3 모델 (docs.cloud.google.com), 동기식 인식 제한 (docs.cloud.google.com), 지원 언어 (docs.cloud.google.com); AWS — Amazon Transcribe 스트리밍 (docs.aws.amazon.com), 엔드포인트 및 할당량 (docs.aws.amazon.com), 지원 언어 (docs.aws.amazon.com); 모두 2026년 9월 확인. 측정: InterMIND 음성 벤치, 2026-09-16, 클립 153개, 17개 언어.