Azure AI Speech lwn Google Chirp 3 lwn Amazon Transcribe pada 153 nota suara: mengapa InterMIND menjalankan speech-to-text pada gateway awan milik organisasi anda sendiri (2026)

Nota suara dalam saluran InterMIND menjadi mesej teks yang dibaca oleh setiap rakan sepasukan dalam bahasa masing-masing. Langkah pertamanya ialah speech-to-text. Soalan yang ditanya oleh pasukan IT tuan rumah atau penyemak pelanggan bukanlah "setepat mana ia", tetapi "perkhidmatan siapa ini, dan ke mana audio dihantar".

Jawapan ringkasnya: Azure AI Speech, perkhidmatan pertuturan bagi gateway AI lalai, dalam tenan Azure milik InterMIND sendiri di Sweden Central. Perkhidmatan pertuturan bagi dua gateway lain yang boleh dipilih oleh organisasi pula diukur pada klip yang sama, supaya pilihan itu berdasarkan angka, bukan keutamaan. Catatan ini menunjukkan angka di sebalik pilihan tersebut, iaitu 153 klip yang sama melalui Azure AI Speech, Google Cloud Speech-to-Text dan Amazon Transcribe pada hari yang sama. Ia juga menerangkan dua fakta tentang setiap API yang lebih penting daripada satu mata peratusan ketepatan.

Peraturan dahulu: satu gateway bagi setiap organisasi

Setiap ciri AI dalam InterMIND, iaitu rumusan mesyuarat, ringkasan dokumen, pembantu penulisan, Ask AI dan Mia dalam mesyuarat, dijalankan pada satu gateway model bahasa yang dipilih oleh organisasi. Secara lalai ialah Azure OpenAI dalam EU Data Zone, atau mengikut pilihan, Google Vertex AI pada titik akhir berbilang wilayah EU atau Amazon Bedrock di Frankfurt, masing-masing dalam tenan InterMIND sendiri. Kami telah menerangkan rasionalnya dalam Meeting AI on your own cloud gateway: bagi kebanyakan organisasi, gateway itu sudah berada dalam senarai subprosesor yang diluluskan, jadi ciri AI tidak menambah syarikat baharu pada senarai tersebut.

Speech-to-text untuk nota suara hari ini mengikut peraturan yang sama pada gateway lalai. Setiap satu daripada tiga gateway itu mempunyai perkhidmatan pertuturan di samping model bahasanya, dan itulah yang diukur dalam catatan ini:

Dalam setiap kes, pengecam diberitahu bahasa penutur sendiri, iaitu bahasa yang ditetapkan oleh ahli dalam profilnya. Ini kerana pengenalpastian bahasa automatik didapati tidak boleh dipercayai pada klip pendek dalam ujian kami: nota Rusia selama empat saat dikembalikan sebagai bahasa Inggeris. Itulah cara produk memanggil Azure hari ini, dan ujian ini memanggil dua yang lain dengan cara yang sama.

Apa yang kami ukur

Set data. 153 klip dalam 17 bahasa: 136 giliran dialog, iaitu dua dialog perniagaan (rundingan kontrak dan stand-up harian) yang dituturkan oleh dua suara sintetik produk dalam sepuluh bahasa, ditambah 17 petikan formal, iaitu ayat perniagaan FLORES-200 daripada penanda aras terjemahan awam kami yang dibaca oleh suara sintetik, satu bagi setiap bahasa dan panjangnya 71 hingga 109 saat. Giliran dialog berdurasi 3 hingga 30 saat, iaitu panjang nota suara sebenar.

Metrik. Kadar ralat perkataan (WER) berbanding teks rujukan, iaitu pecahan perkataan yang diganti, disisip atau dipadam, selepas menormalkan huruf besar/kecil, tanda baca dan ruang kosong; bahasa Cina dan Jepun dibandingkan mengikut aksara. Kadar ralat aksara turut direkodkan dan menunjukkan gambaran yang sama.

Harness. Satu skrip, satu mesin, satu jam pada 2026-09-16, setiap enjin merentasi kesemua 153 klip. Azure dan Amazon Transcribe menerima setiap klip secara keseluruhan. Pengecam segerak Google menerima paling banyak 60 saat, jadi 17 klip formal dipotong pada senyap menjadi kepingan kurang daripada 55 saat dan transkripnya digabungkan; 136 klip dialog dihantar secara keseluruhan. Amazon Transcribe memerlukan audio pada kadar masa nyata, jadi harness menyuapnya empat kali lebih pantas daripada masa nyata; angka kependaman di bawah oleh itu merupakan had bawah yang ditetapkan oleh suapan, bukan oleh perkhidmatan.

Apa yang bukan ujian ini. Suara sintetik dalam audio senyap, bukan rakaman lapangan daripada telefon di dalam kereta. Satu hari, satu larian bagi setiap klip. Ia perbandingan pada audio yang digunakan untuk menguji saluran terjemahan kami sendiri, dalam bahasa yang ditulis oleh pengguna kami, bukan papan kedudukan.

Keputusan: kadar ralat perkataan mengikut bahasa

Purata WER pada klip bagi setiap bahasa; setiap enjin mengembalikan transkrip untuk kesemua 153 klip.

Bahasa dengan satu klip sahaja (petikan formal sahaja) ditunjukkan untuk kelengkapan; angka satu klip ialah satu titik data, bukan satu kadar.

Apa yang angka-angka katakan

• Pada keseluruhan set, ketiga-tiga perkhidmatan berada dalam lingkungan satu mata antara satu sama lain: 9%, 10% dan 10%. Setiap satu daripada 153 klip mendapat transkrip daripada setiap enjin, jadi liputan 17 bahasa itu lengkap pada ketiga-tiganya.
• Perbezaannya mengikut bahasa, dan ia berlaku di kedua-dua arah. Azure mempunyai kadar ralat terendah bagi bahasa Perancis (5% berbanding 11% dan 12%) dan Jerman (7% berbanding 9% dan 13%), dan seri terendah bagi bahasa Inggeris (2%, bersama Amazon Transcribe) dan Cina (3%, bersama Google). Amazon Transcribe terendah bagi bahasa Arab (26% berbanding 32% dan 46%). Google terendah bagi bahasa Rusia (10% berbanding 14% dan 14%), Portugis, Hungary dan Turki.
• Bahasa Arab sukar bagi ketiga-tiganya. Keputusan terbaik pada klip dialog Arab ialah satu perkataan salah daripada empat. Ini selaras dengan apa yang kami lihat pada bahagian terjemahan, apabila kami menarik balik bahasa Arab daripada pemilih bahasa mesyuarat pada Ogos 2026 sehingga kualiti memenuhi piawaian kami (berapa banyak bahasa yang kami sokong).
• Masa pemprosesan jauh di bawah masa nyata pada ketiga-tiganya. Nota 30 saat mengambil kira-kira tiga saat pada Azure dan kira-kira tujuh saat pada Google dalam harness ini; angka Amazon didominasi oleh suapan berkadar.

Mengapa Azure AI Speech kekal sebagai lalai

Tiga sebab, mengikut susunan yang menentukannya.

1. Gateway lalai ialah Azure. Organisasi yang belum memilih gateway menjalankan ciri AI-nya pada Azure OpenAI dalam EU Data Zone, jadi nota suaranya ditranskripsikan oleh Azure AI Speech dalam tenan yang sama. Tiada subprosesor tambahan, tiada wilayah tambahan. Microsoft menyatakan bahawa Azure Speech tidak menyimpan atau memproses data di luar wilayah sumber Speech (halaman wilayah, disemak September 2026); sumber kami berada di Sweden Central, yang disenaraikan untuk transkripsi pantas.

2. Bentuk API sesuai untuk nota suara. Nota suara dalam InterMIND boleh mencecah sepuluh minit (nota suara). Transkripsi pantas Azure menerima seluruh rakaman dalam satu permintaan. Pengecaman segerak Google berhenti pada 60 saat, jadi nota sepuluh minit memerlukan pengecaman kelompok melalui baldi storan atau sesi penstriman; Amazon Transcribe menstrim, tetapi menerima PCM, FLAC atau Ogg-Opus dan bukan format yang digunakan oleh telefon dan pelayar untuk merakam, jadi audio perlu ditranskod dahulu. Kedua-duanya boleh diselesaikan (harness menyelesaikannya), tetapi ia menambah bahagian yang bergerak dalam laluan setiap nota.

3. Angkanya tidak menolak pilihan ini. Pada 9% berbanding 10% dan 10%, tiada enjin pada set ini yang cukup lebih baik untuk mewajarkan pemindahan nota suara keluar daripada gateway lalai. Jika Google atau Amazon mencatat separuh daripada kadar ralat itu, catatan ini akan mengatakannya.

Maksudnya bagi organisasi pada Vertex AI atau Bedrock

Jika organisasi anda memilih Google Vertex AI atau Amazon Bedrock sebagai gatewaynya, ciri AI anda dijalankan di sana. Nota suara dalam organisasi tersebut pada masa ini tiba sebagai rakaman tanpa transkrip: kami telah mengukur Google Cloud Speech-to-Text dan Amazon Transcribe, seperti yang ditunjukkan catatan ini, tetapi belum menyambungkannya ke dalam produk. Kebenaran akses dan kod integrasi sudah ada; catatan ini dikemas kini apabila ia berada dalam laluan setiap nota. Sehingga itu, nota suara dalam organisasi Vertex AI atau Bedrock ialah rakaman yang boleh dimainkan; organisasi yang menukar gatewaynya kepada Azure mendapat transkrip pada nota yang dihantar selepas itu.

Soalan Lazim

Perkhidmatan speech-to-text yang manakah digunakan oleh InterMIND?

Untuk nota suara dalam sembang, Azure AI Speech (API transkripsi pantas) dalam tenan Azure milik InterMIND sendiri di Sweden Central, iaitu perkhidmatan pertuturan bagi gateway AI lalai. Pertuturan langsung dalam mesyuarat ialah laluan yang berbeza: ia dijalankan pada enjin media milik InterMIND sendiri, Mind API, yang dihoskan di OVH di Perancis, dan tidak pernah menyentuh perkhidmatan pertuturan awan (di mana satu mesyuarat dijalankan).

Adakah Azure AI Speech lebih tepat daripada Google Speech-to-Text atau Amazon Transcribe?

Pada set kami yang terdiri daripada 153 klip nota suara dalam 17 bahasa, diukur pada hari yang sama dengan harness yang sama, Azure AI Speech mempunyai purata kadar ralat perkataan 9%, Google Cloud Speech-to-Text (Chirp 3) 10% dan Amazon Transcribe 10%. Mengikut bahasa, susunannya berubah: Azure terendah bagi bahasa Perancis, Inggeris dan Cina, Amazon Transcribe bagi bahasa Arab, Google bagi bahasa Rusia. Pada set rakaman yang berbeza, kedudukan boleh berbeza; jadual di atas ialah bukti bagi set kami.

Apakah kadar ralat perkataan, dan bagaimana ia dikira di sini?

Kadar ralat perkataan ialah bilangan perkataan yang diganti, disisip dan dipadam dibahagi dengan bilangan perkataan dalam teks rujukan. Kami menormalkan huruf besar/kecil, tanda baca dan ruang kosong sebelum membandingkan, dan membandingkan bahasa Cina dan Jepun mengikut aksara kerana tulisan tersebut tidak memisahkan perkataan dengan ruang. Kadar 9% bermaksud kira-kira satu perkataan daripada sebelas berbeza daripada rujukan.

Adakah audio nota suara keluar dari EU?

Tidak. Rakaman disimpan dalam storan objek InterMIND di EU, dan perkhidmatan pertuturan yang mentranskripsikannya dijalankan di wilayah EU: Sweden Central pada Azure, berbilang wilayah eu pada Google Cloud, Frankfurt pada AWS. Senarai penuh pihak dan wilayah terdapat pada halaman subprosesor dan halaman kepercayaan.

Mengapa tidak mengecam pertuturan di sisi klien, dalam aplikasi, supaya audio tidak pernah meninggalkan telefon?

Kami mengukur perkara itu juga, pada September 2026. Pengecam terbina dalam Chrome dengan pemprosesan setempat mengecam 0 daripada 17 klip formal merentasi bahasa produk, dan liputan bahasa pengecam sisi klien jauh lebih sempit daripada 17 bahasa dalam jadual di atas. Pengecaman sisi klien ialah hala tuju yang kami ukur semula apabila platform bertambah baik; hari ini, laluan gateway ialah yang berfungsi untuk setiap ahli dalam setiap bahasa.

Bolehkah organisasi kami memilih perkhidmatan pertuturan yang mentranskripsikan nota suaranya?

Tidak secara berasingan: gateway AI ialah apa yang dipilih oleh pentadbir organisasi pada halaman Integrations. Pada gateway lalai, nota suara ditranskripsikan oleh Azure AI Speech. Pada Vertex AI dan Amazon Bedrock, nota suara belum ditranskripsikan lagi; lihat bahagian di atas.

Berapa panjang nota suara boleh dibuat, dan adakah API menghadkannya?

Sehingga sepuluh minit. Transkripsi pantas Azure menerima fail sehingga 5 jam dan 500 MB dalam satu permintaan, jadi nota ditranskripsikan dalam satu panggilan. Pengecaman segerak Google menerima 60 saat dan 10 MB, itulah sebabnya harness memotong klip panjang menjadi kepingan pada senyap.

Mengapa pengecam diberitahu bahasa penutur dan bukan mengesannya?

Kerana nota suara itu pendek. Pada klip empat saat, pengenalpastian bahasa automatik boleh mengembalikan bahasa yang salah (nota ujian Rusia dikembalikan sebagai bahasa Inggeris); bahasa profil ahli betul hampir setiap kali. Pengecam menerima bahasa itu, dan hanya apabila ia tidak diketahui barulah pengecam menerima bahasa-bahasa bilik sebagai calon.

Adakah audio mesyuarat ditranskripsikan oleh perkhidmatan yang sama?

Tidak. Pertuturan langsung dalam mesyuarat dikecam dan diterjemahkan pada enjin milik InterMIND sendiri (Mind API) pada pelayan media yang membawa panggilan, dihoskan di OVH di Perancis; lihat di mana satu mesyuarat dijalankan. Gateway awan melihat teks, tidak pernah audio panggilan (meeting AI on your own gateway).

Adakah anda akan menerbitkan keputusan ini semula?

Harness dijalankan dengan satu arahan, dan kebenaran akses bagi setiap enjin sudah disediakan, jadi jadual boleh diukur semula apabila vendor melancarkan model baharu. Apabila ia mengubah gambaran, catatan ini dikemas kini bersama tarikhnya.

Lihat sendiri

• Baca cara nota suara berfungsi — rakaman, had sepuluh minit, dan ke mana audio pergi.
• Lihat senarai subprosesor — vendor, negara, tujuan dan wilayah bagi setiap pihak yang memproses data anda.
• Cuba demo langsung — saluran terjemahan produksi pada audio anda sendiri, tanpa pendaftaran.

Sumber: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) dan jadual wilayah Speech (learn.microsoft.com); Google Cloud — model Chirp 3 (docs.cloud.google.com), had pengecaman segerak (docs.cloud.google.com) dan bahasa yang disokong (docs.cloud.google.com); AWS — penstriman Amazon Transcribe (docs.aws.amazon.com), titik akhir dan kuota (docs.aws.amazon.com) dan bahasa yang disokong (docs.aws.amazon.com); semuanya disemak September 2026. Pengukuran: InterMIND speech bench, 2026-09-16, 153 klip, 17 bahasa.