153개 음성 메모로 비교한 Azure AI Speech, Google Chirp 3, Amazon Transcribe: InterMIND가 음성 인식을 조직 자체 클라우드 게이트웨이에서 실행하는 이유 (2026)

InterMIND 채널에 올린 음성 메모는 모든 팀원이 각자의 언어로 읽는 텍스트 메시지가 됩니다. 그 첫 단계가 음성 인식(speech-to-text)입니다. 호스트의 IT 부서나 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 실행합니다. 조직이 선택할 수 있는 다른 두 게이트웨이의 음성 서비스도 같은 클립으로 측정했으므로, 이 선택은 취향이 아니라 수치로 설명할 수 있습니다. 이 글은 그 선택의 근거가 된 수치를 보여 줍니다. 같은 날 같은 153개 클립을 Azure AI Speech, Google Cloud Speech-to-Text, Amazon Transcribe에 입력해 비교했습니다. 정확도 1%포인트보다 더 중요한, 각 API에 관한 두 가지 사실도 함께 다룹니다.

규칙이 먼저입니다: 조직당 하나의 게이트웨이

InterMIND의 모든 AI 기능(회의 요약, 문서 요약, 글쓰기 어시스턴트, 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 있습니다. 모두 InterMIND 자체 테넌트에서 실행됩니다. 이렇게 한 이유는 내 클라우드 게이트웨이 위의 회의 AI에서 설명했습니다. 대부분의 조직에서 이 게이트웨이는 이미 승인된 하위 처리자(sub-processor) 목록에 올라 있으므로, AI 기능을 쓴다고 목록에 새 회사가 추가되지 않습니다.

음성 메모의 음성 인식도 현재 기본 게이트웨이에서 같은 규칙을 따릅니다. 세 게이트웨이 모두 언어 모델 옆에 음성 서비스가 있으며, 이 글이 측정한 대상이 바로 그 서비스입니다.

게이트웨이	음성 서비스	이번 테스트에서 사용한 리전	API가 녹음을 받는 방식
Azure OpenAI (Microsoft)	Azure AI Speech, fast transcription API	Sweden Central	최대 5시간, 500MB 파일을 한 번의 요청으로 처리 (fast transcription 문서, 2026년 9월 확인)
Google Vertex AI (Google Cloud)	Cloud Speech-to-Text v2, Chirp 3 모델	`eu` 멀티 리전	동기 인식은 60초, 10MB로 제한되며, 더 긴 오디오는 배치 또는 스트리밍 인식을 거침 (동기 인식 제한, Chirp 3, 2026년 9월 확인)
Amazon Bedrock (AWS)	Amazon Transcribe, 스트리밍	eu-central-1 (프랑크푸르트)	HTTP/2 또는 WebSocket 기반 스트리밍 세션이며, 입력은 PCM, FLAC 또는 Ogg-Opus (스트리밍 문서, 2026년 9월 확인)

인식기에는 항상 화자 본인의 언어, 즉 구성원이 프로필에 설정한 언어를 알려 줍니다. 자체 테스트에서 짧은 클립의 자동 언어 식별이 신뢰할 수 없었기 때문입니다. 4초짜리 러시아어 메모가 영어로 인식된 적이 있습니다. 제품은 현재 Azure를 이런 방식으로 호출하며, 테스트에서도 다른 두 서비스를 같은 방식으로 호출했습니다.

측정 방법

데이터 세트. 17개 언어, 153개 클립입니다. 대화 턴 136개와 공식 문장 17개로 구성했습니다. 대화 턴은 계약 협상과 데일리 스탠드업이라는 두 가지 업무 대화를 제품의 합성 음성 두 개가 10개 언어로 낭독한 것입니다. 공식 문장은 공개 번역 벤치마크에 쓰는 FLORES-200 비즈니스 문장을 합성 음성으로 읽은 것으로, 언어마다 하나씩이며 길이는 71~~109초입니다. 대화 턴은 3~~30초로, 실제 음성 메모의 길이입니다.

지표. 대소문자, 문장 부호, 공백을 정규화한 뒤 기준 텍스트와 비교한 단어 오류율(WER)입니다. 치환, 삽입, 삭제된 단어의 비율을 뜻하며, 중국어와 일본어는 글자 단위로 비교합니다. 문자 오류율도 함께 기록했으며 같은 경향을 보였습니다.

테스트 환경. 스크립트 하나, 머신 한 대로 2026-09-16에 한 시간 동안 각 엔진에 153개 클립 전체를 처리했습니다. Azure와 Amazon Transcribe는 각 클립을 통째로 처리했습니다. Google의 동기 인식기는 최대 60초까지만 받으므로, 17개 공식 클립은 무음 구간에서 55초 미만 조각으로 잘라 전사 결과를 이어 붙였고, 136개 대화 클립은 통째로 처리했습니다. Amazon Transcribe는 실시간 속도로 오디오를 보내야 하므로 하네스는 실시간보다 4배 빠르게 입력했습니다. 따라서 아래 지연 시간 수치는 서비스가 아니라 입력 속도가 정한 하한입니다.

이 테스트가 아닌 것. 조용한 환경의 합성 음성이며, 자동차 안에서 휴대폰으로 녹음한 현장 음성이 아닙니다. 하루, 클립당 한 번 실행한 결과입니다. 자체 번역 파이프라인을 테스트하는 오디오로, 사용자가 글을 쓰는 언어에 대해 비교한 것이며 순위표가 아닙니다.

결과: 언어별 단어 오류율

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

언어	클립 수	Azure AI Speech	Google Chirp 3	Amazon Transcribe
아랍어	13	32%	46%	26%
중국어	13	3%	3%	8%
체코어	1	1%	2%	3%
네덜란드어	1	2%	2%	3%
영어	21	2%	5%	2%
프랑스어	13	5%	11%	12%
독일어	13	7%	9%	13%
힌디어	13	10%	10%	12%
헝가리어	1	9%	7%	8%
이탈리아어	1	1%	1%	3%
일본어	13	6%	5%	5%
한국어	1	9%	11%	11%
폴란드어	1	1%	1%	2%
포르투갈어(브라질)	13	5%	4%	6%
러시아어	21	14%	10%	14%
스페인어	13	6%	5%	6%
튀르키예어	1	4%	3%	4%
153개 클립 전체	153	9%	10%	10%
대화 턴만	136	9%	11%	10%
공식 문장만	17	4%	5%	5%
처리 시간 ÷ 오디오 길이		0.10	0.22	0.41 (입력 속도 제한)

클립이 하나뿐인 언어(공식 문장만 있는 언어)는 완전성을 위해 표시했습니다. 클립 하나의 수치는 비율이 아니라 하나의 데이터 포인트입니다.

수치가 말해 주는 것

전체 세트에서 세 서비스의 차이는 1%포인트 이내입니다. 9%, 10%, 10%입니다. 153개 클립 모두 모든 엔진에서 전사 결과가 나왔으므로, 17개 언어 지원 범위는 세 서비스 모두 완전합니다.
차이는 언어별로 나타나며, 양방향으로 갈립니다. Azure는 프랑스어(5%, 다른 둘은 11%와 12%)와 독일어(7%, 다른 둘은 9%와 13%)에서 오류율이 가장 낮았고, 영어(2%, Amazon Transcribe와 동률)와 중국어(3%, Google과 동률)에서도 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 틀린 수준입니다. 번역 쪽에서 본 결과와 일치합니다. 품질이 기준을 넘을 때까지 2026년 8월에 회의 언어 선택기에서 아랍어를 제외했습니다(지원하는 언어 수).
처리 시간은 세 서비스 모두 실시간보다 훨씬 짧습니다. 이 하네스에서 30초 메모는 Azure에서 약 3초, Google에서 약 7초가 걸렸습니다. Amazon 수치는 속도를 맞춘 입력에 좌우됩니다.

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). 우리 리소스가 있는 스웨덴 중부는 fast transcription 지원 리전으로 등재되어 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 동기 인식은 60초에서 멈추므로 10분짜리 메모에는 스토리지 버킷을 거치는 배치 인식이나 스트리밍 세션이 필요합니다. Amazon Transcribe는 스트리밍 방식이지만 휴대폰과 브라우저가 녹음하는 형식이 아니라 PCM, FLAC, Ogg-Opus를 받으므로 먼저 오디오를 변환해야 합니다. 둘 다 해결할 수 있고 하네스에서도 해결했지만, 모든 메모의 경로에 움직이는 부품이 더 늘어납니다.

3. 수치가 반대하지 않습니다. 9% 대 10%, 10%라면 이 세트에서 어떤 엔진도 음성 메모를 기본 게이트웨이 밖으로 옮길 만큼 낫지 않습니다. Google이나 Amazon의 오류율이 절반이었다면 이 글은 그렇게 말했을 것입니다.

Vertex AI 또는 Bedrock을 쓰는 조직에게 의미하는 것

조직이 Google Vertex AI 또는 Amazon Bedrock을 게이트웨이로 선택했다면 AI 기능은 그곳에서 실행됩니다. 이런 조직의 음성 메모는 현재 전사 없이 녹음만 도착합니다. 이 글에서 보듯 Google Cloud Speech-to-Text와 Amazon Transcribe는 측정을 마쳤지만 아직 제품에 연결하지 않았습니다. 권한 설정과 연동 코드는 준비되어 있으며, 모든 메모의 경로에 적용되면 이 글을 갱신합니다. 그때까지 Vertex AI 또는 Bedrock 조직의 음성 메모는 재생 가능한 녹음입니다. 게이트웨이를 Azure로 바꾼 조직은 그 시점 이후에 보낸 메모부터 전사를 받습니다.

FAQ

InterMIND는 어떤 음성 인식 서비스를 사용하나요?

채팅의 음성 메모에는 기본 AI 게이트웨이의 음성 서비스인 Azure AI Speech(fast transcription API)를 스웨덴 중부의 InterMIND 전용 Azure 테넌트에서 사용합니다. 회의의 실시간 음성은 별도 경로입니다. 프랑스 OVH에 호스팅된 InterMIND 자체 미디어 엔진인 Mind API에서 처리하며, 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 달라집니다. 프랑스어, 영어, 중국어는 Azure가, 아랍어는 Amazon Transcribe가, 러시아어는 Google이 가장 낮았습니다. 다른 녹음 세트에서는 순위가 달라질 수 있으며, 위 표는 우리 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, 문장 부호, 공백을 정규화했고, 중국어와 일본어는 띄어쓰기로 단어를 구분하지 않으므로 글자 단위로 비교했습니다. 9%라면 대략 11단어 중 하나가 기준 텍스트와 다르다는 뜻입니다.

음성 메모의 오디오가 EU 밖으로 나가나요?

아니요. 녹음은 EU 내 InterMIND 오브젝트 스토리지에 저장되고, 이를 전사하는 음성 서비스도 EU 리전에서 실행됩니다. Azure는 스웨덴 중부, Google Cloud는 eu 멀티 리전, AWS는 프랑크푸르트입니다. 전체 업체 및 리전 목록은 하위 처리자 페이지와 신뢰 센터 페이지에서 확인할 수 있습니다.

오디오가 휴대폰을 떠나지 않도록 앱 안에서(클라이언트 측) 음성을 인식하면 안 되나요?

그것도 2026년 9월에 측정했습니다. 로컬 처리를 사용하는 Chrome 내장 인식기는 제품 지원 언어 전체에 걸쳐 17개 공식 클립 중 0개를 인식했고, 클라이언트 측 인식기의 언어 지원 범위는 위 표의 17개 언어보다 훨씬 좁습니다. 클라이언트 측 인식은 플랫폼이 개선되는 대로 다시 측정할 방향이지만, 오늘은 모든 구성원이 모든 언어로 쓸 수 있는 방법이 게이트웨이 경로입니다.

조직이 음성 메모를 전사할 음성 서비스를 직접 선택할 수 있나요?

별도로 선택할 수는 없습니다. 조직 관리자가 Integrations 페이지에서 선택하는 것은 AI 게이트웨이입니다. 기본 게이트웨이에서는 Azure AI Speech가 음성 메모를 전사합니다. 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 단일 호출로 전사합니다. Google의 동기 인식은 60초, 10MB까지만 받기 때문에 하네스에서 긴 클립을 무음 구간에서 잘라 처리했습니다.

인식기에 화자의 언어를 알려 주는 이유는 무엇이며, 왜 직접 감지하지 않나요?

음성 메모는 짧기 때문입니다. 4초짜리 클립에서는 자동 언어 식별이 엉뚱한 언어를 반환할 수 있습니다. 러시아어 테스트 메모가 영어로 인식된 적이 있습니다. 반면 구성원의 프로필 언어는 거의 항상 맞습니다. 인식기에는 이 언어를 알려 주고, 언어를 알 수 없을 때만 해당 공간의 언어들을 후보로 전달합니다.

회의 오디오도 같은 서비스가 전사하나요?

아니요. 회의의 실시간 음성은 통화를 중계하는 미디어 서버에서 InterMIND 자체 엔진(Mind API)이 인식하고 번역하며, 이 서버는 프랑스 OVH에 호스팅되어 있습니다(하나의 회의가 실행되는 곳 참고). 클라우드 게이트웨이가 보는 것은 텍스트이며, 통화 오디오는 보지 않습니다(내 게이트웨이 위의 회의 AI).

결과를 다시 공개할 예정인가요?

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

직접 확인해 보세요

음성 메모 작동 방식 읽기 — 녹음, 10분 제한, 오디오가 처리되는 위치를 설명합니다.
하위 처리자 목록 보기 — 고객 데이터를 처리하는 모든 당사자의 업체, 국가, 목적, 리전을 확인할 수 있습니다.
라이브 데모 체험하기 — 가입 없이 내 오디오로 실제 운영 중인 번역 파이프라인을 체험해 보세요.

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), 동기 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 speech bench, 2026-09-16, 153개 클립, 17개 언어.