Azure AI Speech, Google Chirp 3 ir Amazon Transcribe 153 balso žinučių rinkinyje: kodėl InterMIND kalbos atpažinimą vykdo jūsų organizacijos pačios debesijos šliuze (2026)

Balso žinutė InterMIND kanale tampa tekstine žinute, kurią kiekvienas komandos narys skaito savo kalba. Pirmas to žingsnis yra kalbos atpažinimas (speech-to-text), o klausimas, kurį užduoda pačios organizacijos IT specialistai ar kliento auditoriai, yra ne „kaip tiksliai tai veikia“, o „kieno tai paslauga ir kur keliauja garso įrašas“.

Trumpas atsakymas: Azure AI Speech, numatytojo dirbtinio intelekto šliuzo kalbos atpažinimo paslauga, InterMIND nuomotojo aplinkoje Azure Sweden Central regione. Taip pat išmatuotos dviejų kitų šliuzų, kuriuos gali pasirinkti organizacija, kalbos atpažinimo paslaugos, naudojant tuos pačius įrašus, kad pasirinkimas remtųsi skaičiumi, o ne nuostata. Šiame straipsnyje pateikiame to pasirinkimo skaičius: tie patys 153 įrašai, tą pačią dieną apdoroti per Azure AI Speech, Google Cloud Speech-to-Text ir Amazon Transcribe. Taip pat aptariame du kiekvienos API faktus, kurie svarbesni nei vienas tikslumo procentinis punktas.

Pirmiausia taisyklė: vienas šliuzas organizacijai

Kiekviena InterMIND dirbtinio intelekto funkcija (susitikimų santraukos, dokumentų santraukos, rašymo asistentas, Ask AI ir Mia susitikime) veikia per vieną kalbos modelių šliuzą, kurį pasirenka organizacija: pagal numatytuosius nustatymus Azure OpenAI ES duomenų zonoje (EU Data Zone), pasirinktinai Google Vertex AI ES daugiaregionėje prieigos vietoje arba Amazon Bedrock Frankfurte, visais atvejais InterMIND nuomotojo aplinkoje. Argumentus paaiškinome straipsnyje Susitikimų DI jūsų pačių debesijos šliuze: daugumai organizacijų šis šliuzas jau yra patvirtintų subtvarkytojų sąraše, todėl dirbtinio intelekto funkcija į sąrašą neprideda jokios naujos įmonės.

Balso žinučių kalbos atpažinimas šiandien numatytajame šliuze laikosi tos pačios taisyklės, o kiekvienas iš trijų šliuzų turi kalbos atpažinimo paslaugą šalia savo kalbos modelių. Būtent tai ir matuoja šis straipsnis:

Atpažinimo sistemai visais atvejais nurodoma paties kalbėtojo kalba, tai yra kalba, kurią narys nustatė savo profilyje. Mūsų bandymuose automatinis kalbos nustatymas trumpuose įrašuose pasirodė nepatikimas: keturių sekundžių rusiška žinutė buvo atpažinta kaip angliška. Taip šiandien produktas kviečia Azure, o per testą kitas dvi paslaugas kvietėme tuo pačiu būdu.

Ką matavome

Rinkinys. 153 įrašai 17 kalbų: 136 dialogo replikos (du verslo dialogai, derybos dėl sutarties ir kasdienis stand-up, kuriuos dešimčia kalbų ištarė dvi sintetiniai produkto balsai) ir 17 formalių ištraukų. Tai mūsų viešo vertimo etalono FLORES-200 verslo sakiniai, kuriuos skaitė sintetinis balsas, po vieną kiekvienai kalbai, 71–109 sekundžių trukmės. Dialogo replikos trunka 3–30 sekundžių, tai yra tiek, kiek tikra balso žinutė.

Metrika. Žodžių klaidų dažnis (WER) lyginant su etaloniniu tekstu, tai yra pakeistų, įterptų ar praleistų žodžių dalis, kai suvienodinti raidžių registras, skyryba ir tarpai. Kinų ir japonų kalbos lyginamos pagal simbolius. Simbolių klaidų dažnis taip pat užfiksuotas ir rodo tą patį vaizdą.

Testavimo aplinka. Vienas skriptas, viena mašina, viena valanda 2026-09-16, kiekvienas variklis apdorojo visus 153 įrašus. Azure ir Amazon Transcribe priėmė kiekvieną įrašą visą. Google sinchroninis atpažinimas priima ne daugiau kaip 60 sekundžių, todėl 17 formalių įrašų buvo supjaustyti tylos vietose į mažesnius nei 55 sekundžių gabalus, o transkripcijos sujungtos; 136 dialogo įrašai apdoroti sveiki. Amazon Transcribe tikisi garso realiuoju laiku, todėl testavimo aplinka tiekė jį keturis kartus greičiau nei realiuoju laiku. Todėl toliau pateikta jo vėlinimo reikšmė yra tiekimo nustatyta apatinė riba, o ne paslaugos savybė.

Ko tai nėra. Tai sintetiniai balsai tyliame garse, o ne lauko įrašai iš telefono automobilyje. Viena diena, vienas paleidimas kiekvienam įrašui. Tai palyginimas su garsu, kuriuo testuojamas mūsų pačių vertimo srautas, ir kalbomis, kuriomis rašo mūsų naudotojai, o ne lyderių lentelė.

Rezultatai: žodžių klaidų dažnis pagal kalbą

Vidutinis WER kiekvienos kalbos įrašams; kiekvienas variklis grąžino transkripciją visiems 153 įrašams.

Kalbos su vienu įrašu (tik formali ištrauka) pateiktos dėl išsamumo; vieno įrašo rezultatas yra duomenų taškas, o ne dažnis.

Ką sako skaičiai

• Visame rinkinyje trys paslaugos skiriasi mažiau nei vienu punktu: 9 %, 10 % ir 10 %. Kiekvienas iš 153 įrašų su kiekvienu varikliu grįžo su transkripcija, todėl visų 17 kalbų aprėptis visose trijose paslaugose yra pilna.
• Skirtumai atsiranda pagal kalbas ir eina į abi puses. Azure turėjo mažiausią klaidų dažnį prancūzų (5 % prieš 11 % ir 12 %) ir vokiečių (7 % prieš 9 % ir 13 %) kalbomis, o anglų (2 %, kartu su Amazon Transcribe) ir kinų (3 %, kartu su Google) kalbomis dalijosi mažiausią rezultatą. Amazon Transcribe buvo geriausias arabų kalba (26 % prieš 32 % ir 46 %). Google buvo geriausias rusų (10 % prieš 14 % ir 14 %), portugalų, vengrų ir turkų kalbomis.
• Arabų kalba sudėtinga visoms trims paslaugoms. Geriausias arabų dialogo įrašų rezultatas yra vienas klaidingas žodis iš keturių. Tai atitinka, ką matėme vertimo pusėje, kur 2026 m. rugpjūtį pašalinome arabų kalbą iš susitikimo kalbų sąrašo, kol kokybė pasieks mūsų kartelę (kiek kalbų palaikome).
• Apdorojimo laikas visose trijose paslaugose gerokai trumpesnis nei realusis laikas. 30 sekundžių žinutė šioje testavimo aplinkoje Azure užtrunka apie tris sekundes, Google – apie septynias; Amazon rodiklį lemia sulėtintas tiekimas.

Kodėl Azure AI Speech lieka numatytasis

Trys priežastys, išdėstytos tokia tvarka, kuria jos nulėmė sprendimą.

1. Numatytasis šliuzas yra Azure. Organizacija, kuri nepasirinko šliuzo, savo dirbtinio intelekto funkcijas vykdo per Azure OpenAI ES duomenų zonoje (EU Data Zone), todėl jos balso žinutes tame pačiame nuomotojo aplinkoje transkribuoja Azure AI Speech. Jokio papildomo subtvarkytojo, jokio papildomo regiono. Microsoft nurodo, kad Azure Speech nesaugo ir neapdoroja duomenų už Speech resurso regiono ribų (regionų puslapis, tikrinta 2026 m. rugsėjį); mūsų resursas yra Sweden Central regione, kuris įtrauktas greitajam transkribavimui.

2. API forma tinka balso žinutei. Balso žinutė InterMIND gali trukti iki dešimties minučių (balso žinutės). Azure greitasis transkribavimas priima visą įrašą viena užklausa. Google sinchroninis atpažinimas sustoja ties 60 sekundžių, todėl dešimties minučių žinutei reikia paketinio atpažinimo per saugyklos konteinerį arba srautinės sesijos. Amazon Transcribe veikia srautiniu būdu, bet priima PCM, FLAC arba Ogg-Opus, o ne formatus, kuriais įrašo telefonai ir naršyklės, todėl garsą pirmiausia tenka perkoduoti. Abi problemos išsprendžiamos (mūsų testavimo aplinka jas sprendžia), bet tai daugiau judančių dalių kiekvienos žinutės kelyje.

3. Skaičiai šio pasirinkimo nenuvertina. Esant 9 % prieš 10 % ir 10 %, nė vienas variklis šiame rinkinyje nėra pakankamai geresnis, kad pateisintų balso žinučių perkėlimą iš numatytojo šliuzo. Jei Google ar Amazon būtų pasiekę perpus mažesnį klaidų dažnį, šis straipsnis tai pasakytų.

Ką tai reiškia organizacijoms, naudojančioms Vertex AI arba Bedrock

Jei jūsų organizacija pasirinko Google Vertex AI arba Amazon Bedrock kaip savo šliuzą, jūsų dirbtinio intelekto funkcijos veikia ten. Balso žinutės tokiose organizacijose šiuo metu pasiekia adresatą kaip įrašas be transkripcijos: Google Cloud Speech-to-Text ir Amazon Transcribe išmatavome, kaip rodo šis straipsnis, bet į produktą jų dar neprijungėme. Leidimai ir integracijos kodas yra paruošti; šis straipsnis bus atnaujintas, kai jie bus kiekvienos žinutės kelyje. Kol kas balso žinutė Vertex AI ar Bedrock organizacijoje yra tik atkuriamas įrašas; organizacija, perjungusi šliuzą į Azure, transkripcijas gauna žinutėms, išsiųstoms nuo to momento.

DUK

Kokią kalbos atpažinimo paslaugą naudoja InterMIND?

Pokalbių balso žinutėms naudojame Azure AI Speech (greitojo transkribavimo API) InterMIND nuomotojo aplinkoje Azure Sweden Central regione, tai yra numatytojo dirbtinio intelekto šliuzo kalbos atpažinimo paslaugą. Gyva kalba susitikimuose yra kitas kelias: ji veikia InterMIND nuosavame medijos variklyje, Mind API, talpinamame OVH Prancūzijoje, ir niekada nepatenka į debesijos kalbos atpažinimo paslaugą (kur veikia vienas susitikimas).

Ar Azure AI Speech tikslesnis nei Google Speech-to-Text ar Amazon Transcribe?

Mūsų 153 balso žinučių įrašų rinkinyje, 17 kalbų, matuojant tą pačią dieną su ta pačia testavimo aplinka, Azure AI Speech vidutinis žodžių klaidų dažnis buvo 9 %, Google Cloud Speech-to-Text (Chirp 3) – 10 %, Amazon Transcribe – 10 %. Pagal kalbą eilė keičiasi: Azure buvo geriausias prancūzų, anglų ir kinų kalbomis, Amazon Transcribe – arabų, Google – rusų. Kitame įrašų rinkinyje reitingas gali skirtis; pirmiau pateikta lentelė yra mūsų rinkinio įrodymas.

Kas yra žodžių klaidų dažnis ir kaip jis čia apskaičiuotas?

Žodžių klaidų dažnis yra pakeistų, įterptų ir praleistų žodžių skaičius, padalytas iš žodžių skaičiaus etaloniniame tekste. Prieš lygindami suvienodiname raidžių registrą, skyrybą ir tarpus, o kinų ir japonų kalbas lyginame pagal simbolius, nes šiose rašto sistemose žodžiai tarpais neatskiriami. 9 % dažnis reiškia, kad maždaug vienas žodis iš vienuolikos skiriasi nuo etalono.

Ar balso žinutės garsas palieka ES?

Ne. Įrašas saugomas InterMIND objektų saugykloje ES, o jį transkribuojanti kalbos atpažinimo paslauga veikia ES regione: Sweden Central Azure, eu daugiaregionė Google Cloud, Frankfurtas AWS. Visas šalių ir regionų sąrašas pateiktas subtvarkytojų puslapyje ir pasitikėjimo puslapyje.

Kodėl neatpažįstama kalba kliento pusėje, programėlėje, kad garsas niekada nepaliktų telefono?

Tai taip pat išmatavome 2026 m. rugsėjį. Chrome integruotas atpažinimas su vietiniu apdorojimu atpažino 0 iš 17 formalių įrašų produkto kalbomis, o kliento pusės atpažinimo sistemų kalbų aprėptis yra gerokai siauresnė nei 17 kalbų pirmiau pateiktoje lentelėje. Atpažinimas kliento pusėje yra kryptis, kurią matuosime iš naujo, kai platformos tobulės; šiandien šliuzo kelias yra tas, kuris veikia kiekvienam nariui kiekviena kalba.

Ar mūsų organizacija gali pasirinkti, kuri kalbos atpažinimo paslauga transkribuoja jos balso žinutes?

Atskirai ne: organizacijos administratorius Integracijų puslapyje pasirenka dirbtinio intelekto šliuzą. Numatytajame šliuze balso žinutes transkribuoja Azure AI Speech. Vertex AI ir Amazon Bedrock atveju balso žinutės kol kas netranskribuojamos, žr. skyrių aukščiau.

Kokio ilgio gali būti balso žinutė ir ar API tai riboja?

Iki dešimties minučių. Azure greitasis transkribavimas viena užklausa priima failus iki 5 valandų ir 500 MB, todėl žinutė transkribuojama vienu kvietimu. Google sinchroninis atpažinimas priima 60 sekundžių ir 10 MB, todėl testavimo aplinka ilgus įrašus pjaustė tylos vietose.

Kodėl atpažinimo sistemai nurodoma kalbėtojo kalba, o ne ji nustatoma automatiškai?

Nes balso žinutė trumpa. Keturių sekundžių įraše automatinis kalbos nustatymas gali grąžinti neteisingą kalbą: rusiška bandomoji žinutė buvo atpažinta kaip angliška, o nario profilio kalba beveik visada teisinga. Atpažinimo sistema gauna tą kalbą, ir tik kai ji nežinoma, kandidatėmis gauna kambario kalbas.

Ar susitikimo garsas transkribuojamas ta pačia paslauga?

Ne. Gyva kalba susitikime atpažįstama ir verčiama InterMIND nuosavame variklyje (Mind API) medijos serveryje, kuris perduoda skambutį ir yra talpinamas OVH Prancūzijoje, žr. kur veikia vienas susitikimas. Debesijos šliuzas mato tekstą, bet niekada neišgirsta skambučio garso (susitikimų DI jūsų pačių šliuze).

Ar rezultatus skelbsite dar kartą?

Testavimo aplinka paleidžiama viena komanda, o kiekvieno variklio leidimai yra paruošti, todėl lentelę galima išmatuoti iš naujo, kai tiekėjas išleidžia naują modelį. Kai tai pakeis vaizdą, šis straipsnis bus atnaujintas nurodant datą.

Išbandykite patys

• Skaitykite, kaip veikia balso žinutės – įrašymas, dešimties minučių riba ir kur keliauja garsas.
• Peržiūrėkite subtvarkytojų sąrašą – tiekėjas, šalis, paskirtis ir regionas kiekvienai šaliai, kuri apdoroja jūsų duomenis.
• Išbandykite gyvą demonstraciją – gamybinis vertimo srautas su jūsų pačių garsu, be registracijos.

Šaltiniai: Microsoft – Azure AI Speech greitasis transkribavimas (learn.microsoft.com) ir Speech regionų lentelė (learn.microsoft.com); Google Cloud – Chirp 3 modelis (docs.cloud.google.com), sinchroninio atpažinimo apribojimai (docs.cloud.google.com) ir palaikomos kalbos (docs.cloud.google.com); AWS – Amazon Transcribe srautinis apdorojimas (docs.aws.amazon.com), galiniai taškai ir kvotos (docs.aws.amazon.com) ir palaikomos kalbos (docs.aws.amazon.com); visa tikrinta 2026 m. rugsėjį. Matavimas: InterMIND kalbos atpažinimo testas, 2026-09-16, 153 įrašai, 17 kalbų.