Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe på 153 talemeldinger: hvorfor InterMIND kjører tale-til-tekst på organisasjonens egen sky-gateway (2026)

En talemelding i en InterMIND-kanal blir til en tekstmelding som hver kollega leser på sitt eget språk. Det første trinnet er tale-til-tekst. Spørsmålet vertens egen IT-avdeling eller en kundes revisor stiller, er ikke «hvor nøyaktig er det», men «hvem sin tjeneste er det, og hvor havner lyden».

Det korte svaret: Azure AI Speech, talestjenesten i standard AI-gateway, i InterMINDs egen Azure-tenant i Sweden Central. I tillegg kommer talestjenestene i de to andre gatewayene en organisasjon kan velge. Vi har målt dem på de samme klippene, så valget hviler på et tall og ikke på en preferanse. Dette innlegget viser tallene bak valget: de samme 153 klippene gjennom Azure AI Speech, Google Cloud Speech-to-Text og Amazon Transcribe samme dag. Det viser også to fakta om hver API som betyr mer enn ett prosentpoeng nøyaktighet.

Regelen kommer først: én gateway per organisasjon

Alle AI-funksjoner i InterMIND kjører på én språkmodell-gateway som organisasjonen velger. Det gjelder møtesammendrag, dokumentsammendrag, skriveassistenten, Ask AI og Mia i møtet. Standard er Azure OpenAI i EU Data Zone. Alternativene er Google Vertex AI på EU-endepunktet med flere regioner eller Amazon Bedrock i Frankfurt, hver i InterMINDs egen tenant. Vi forklarte resonnementet i Møte-AI på din egen sky-gateway: for de fleste organisasjoner står gatewayen allerede på den godkjente listen over underdatabehandlere, så en AI-funksjon legger ikke til noe nytt selskap på listen.

Tale-til-tekst for talemeldinger følger i dag samme regel på standardgatewayen. Hver av de tre gatewayene har en talestjeneste ved siden av språkmodellene sine, og det er dem dette innlegget måler:

I alle tilfeller får gjenkjenneren vite talerens eget språk, altså språket medlemmet har satt i profilen sin. I testene våre viste automatisk språkgjenkjenning seg upålitelig på korte klipp: en russisk melding på fire sekunder kom tilbake som engelsk. Slik kaller produktet Azure i dag, og testen kaller de to andre på samme måte.

Hva vi målte

Settet. 153 klipp i 17 språk: 136 dialogreplikker og 17 formelle passasjer. Dialogene er to forretningsdialoger (en kontraktsforhandling og et daglig stand-up-møte), lest av produktets to syntetiske stemmer på ti språk. Passasjene er FLORES-200-forretningssetningene fra vår offentlige oversettelsesbenchmark, lest av en syntetisk stemme, én per språk og på 71 til 109 sekunder. Dialogreplikkene varer 3 til 30 sekunder, like lenge som en ekte talemelding.

Målet. Ordfeilrate (WER) mot referanseteksten, altså andelen ord som er erstattet, satt inn eller fjernet, etter normalisering av store/små bokstaver, tegnsetting og mellomrom. Kinesisk og japansk sammenlignes per tegn. Tegnfeilrate ble registrert ved siden av og forteller den samme historien.

Testoppsettet. Ett skript, én maskin, én time den 2026-09-16, med hver motor over alle 153 klipp. Azure og Amazon Transcribe tok hvert klipp helt. Googles synkrone gjenkjenner tar høyst 60 sekunder, så de 17 formelle klippene ble kuttet ved stillhet i biter under 55 sekunder og transkripsjonene satt sammen. De 136 dialogklippene gikk hele. Amazon Transcribe vil ha lyd i sanntidstempo, så oppsettet matet den fire ganger raskere enn sanntid. Latenstallet nedenfor er derfor et gulv satt av matingen, ikke av tjenesten.

Hva dette ikke er. Syntetiske stemmer i stille lyd, ikke feltopptak fra en telefon i en bil. Én dag, én kjøring per klipp. Det er en sammenligning på lyden vår egen oversettelsespipeline testes på, i språkene brukerne våre skriver på. Det er ingen rangeringsliste.

Resultater: ordfeilrate per språk

Gjennomsnittlig WER på klippene i hvert språk. Alle motorer leverte en transkripsjon for alle 153 klipp.

Språk med bare ett klipp (kun den formelle passasjen) er tatt med for fullstendighetens skyld. Et tall fra ett klipp er et datapunkt, ikke en rate.

Hva tallene sier

• På hele settet ligger de tre tjenestene innenfor ett poeng av hverandre: 9 %, 10 % og 10 %. Alle 153 klipp kom tilbake med en transkripsjon fra alle motorer, så dekningen av de 17 språkene er fullstendig hos alle tre.
• Forskjellene ligger per språk, og de går begge veier. Azure hadde lavest feilrate på fransk (5 % mot 11 % og 12 %) og tysk (7 % mot 9 % og 13 %), og delte laveste plass på engelsk (2 %, med Amazon Transcribe) og kinesisk (3 %, med Google). Amazon Transcribe hadde lavest på arabisk (26 % mot 32 % og 46 %). Google hadde lavest på russisk (10 % mot 14 % og 14 %), portugisisk, ungarsk og tyrkisk.
• Arabisk er vanskelig for alle tre. Det beste resultatet på de arabiske dialogklippene er ett feil ord av fire. Det stemmer med det vi så på oversettelsessiden, der vi i august 2026 tok arabisk ut av språkvelgeren for møter til kvaliteten igjen holder mål (hvor mange språk vi støtter).
• Behandlingstiden ligger godt under sanntid hos alle tre. En melding på 30 sekunder tar omtrent tre sekunder på Azure og omtrent sju på Google i dette oppsettet. Amazon-tallet domineres av den tempostyrte matingen.

Hvorfor Azure AI Speech forblir standard

Tre grunner, i den rekkefølgen de avgjorde saken.

1. Standardgatewayen er Azure. En organisasjon som ikke har valgt gateway, kjører AI-funksjonene sine på Azure OpenAI i EU Data Zone, så talemeldingene transkriberes av Azure AI Speech i samme tenant. Ingen ekstra underdatabehandler og ingen ekstra region. Microsoft opplyser at Azure Speech ikke lagrer eller behandler data utenfor regionen til Speech-ressursen (regionsiden, kontrollert i september 2026). Ressursen vår ligger i Sweden Central, som er oppført for fast transcription.

2. API-formen passer en talemelding. En talemelding i InterMIND kan være opptil ti minutter lang (talemeldinger). Azures fast transcription tar hele opptaket i én forespørsel. Googles synkrone gjenkjenning stopper ved 60 sekunder, så en melding på ti minutter krever batchgjenkjenning via en lagringsbøtte eller en strømmeøkt. Amazon Transcribe strømmer, men tar PCM, FLAC eller Ogg-Opus i stedet for formatene telefoner og nettlesere tar opp i, så lyden må transkodes først. Begge deler lar seg løse, og testoppsettet løser dem, men det blir flere bevegelige deler i veien for hver eneste melding.

3. Tallene taler ikke imot. Med 9 % mot 10 % og 10 % er ingen motor på dette settet så mye bedre at det rettferdiggjør å flytte talemeldinger bort fra standardgatewayen. Hadde Google eller Amazon havnet på halvparten av feilraten, hadde dette innlegget sagt det.

Hva dette betyr for organisasjoner på Vertex AI eller Bedrock

Hvis organisasjonen din har valgt Google Vertex AI eller Amazon Bedrock som gateway, kjører AI-funksjonene dine der. Talemeldinger i slike organisasjoner kommer foreløpig som et opptak uten transkripsjon. Vi har målt Google Cloud Speech-to-Text og Amazon Transcribe, som dette innlegget viser, men har ikke koblet dem inn i produktet ennå. Tillatelsene og integrasjonskoden finnes, og dette innlegget oppdateres når de står i veien for hver melding. Inntil da er en talemelding i en Vertex AI- eller Bedrock-organisasjon et avspillbart opptak. En organisasjon som bytter gateway til Azure, får transkripsjoner på meldingene som sendes fra da av.

FAQ

Hvilken tale-til-tekst-tjeneste bruker InterMIND?

For talemeldinger i chat brukes Azure AI Speech (fast transcription API) i InterMINDs egen Azure-tenant i Sweden Central, talestjenesten i standard AI-gateway. Live tale i møter er en annen vei: den kjører på InterMINDs egen mediemotor, Mind API, driftet hos OVH i Frankrike, og berører aldri en sky-talestjeneste (hvor ett møte kjører).

Er Azure AI Speech mer nøyaktig enn Google Speech-to-Text eller Amazon Transcribe?

På vårt sett med 153 talemeldingsklipp i 17 språk, målt samme dag med samme testoppsett, hadde Azure AI Speech en gjennomsnittlig ordfeilrate på 9 %, Google Cloud Speech-to-Text (Chirp 3) 10 % og Amazon Transcribe 10 %. Rekkefølgen endrer seg per språk: Azure var lavest på fransk, engelsk og kinesisk, Amazon Transcribe på arabisk og Google på russisk. På et annet sett med opptak kan rangeringen se annerledes ut. Tabellen ovenfor er beviset for vårt sett.

Hva er ordfeilrate, og hvordan ble den beregnet her?

Ordfeilrate er antall erstattede, innsatte og fjernede ord delt på antall ord i referanseteksten. Vi normaliserer store/små bokstaver, tegnsetting og mellomrom før sammenligningen, og sammenligner kinesisk og japansk per tegn fordi disse skriftsystemene ikke skiller ord med mellomrom. En rate på 9 % betyr omtrent at ett av elleve ord avviker fra referansen.

Forlater lyden fra en talemelding EU?

Nei. Opptaket lagres i InterMINDs objektlagring i EU, og talestjenesten som transkriberer det, kjører i en EU-region: Sweden Central på Azure, eu multi-region på Google Cloud og Frankfurt på AWS. Den fullstendige listen over parter og regioner finner du på siden om underdatabehandlere og trust-siden.

Hvorfor ikke gjenkjenne tale på klientsiden, i appen, slik at lyden aldri forlater telefonen?

Det målte vi også, i september 2026. Chromes innebygde gjenkjenner med lokal behandling gjenkjente 0 av 17 formelle klipp på tvers av produktspråkene, og språkdekningen til gjenkjennere på klientsiden er langt smalere enn de 17 språkene i tabellen ovenfor. Gjenkjenning på klientsiden er en retning vi måler på nytt etter hvert som plattformene forbedres. I dag er gatewayveien den som fungerer for alle medlemmer på alle språk.

Kan organisasjonen vår velge hvilken talestjeneste som transkriberer talemeldingene?

Ikke separat: AI-gatewayen er det en organisasjonsadministrator velger på Integrations-siden. På standardgatewayen transkriberes talemeldinger av Azure AI Speech. På Vertex AI og Amazon Bedrock transkriberes ikke talemeldinger ennå, se avsnittet ovenfor.

Hvor lang kan en talemelding være, og begrenser API-et det?

Opptil ti minutter. Azures fast transcription godtar filer på opptil 5 timer og 500 MB i én forespørsel, så en melding transkriberes i ett kall. Googles synkrone gjenkjenning godtar 60 sekunder og 10 MB, og det er derfor testoppsettet kuttet de lange klippene i biter ved stillhet.

Hvorfor får gjenkjenneren oppgitt talerens språk i stedet for å oppdage det selv?

Fordi en talemelding er kort. På et klipp på fire sekunder kan automatisk språkgjenkjenning returnere feil språk. En russisk testmelding kom tilbake som engelsk, mens medlemmets profilspråk er riktig nesten hver gang. Gjenkjenneren får det språket, og først når det er ukjent, får den språkene i rommet som kandidater.

Transkriberes lyden fra møter av den samme tjenesten?

Nei. Live tale i et møte gjenkjennes og oversettes på InterMINDs egen motor (Mind API) på mediaserveren som bærer samtalen, driftet hos OVH i Frankrike. Se hvor ett møte kjører. Sky-gatewayen ser tekst, aldri lyden fra en samtale (møte-AI på din egen gateway).

Vil dere publisere resultatene på nytt?

Testoppsettet kjøres med én kommando, og tillatelsene for hver motor er på plass, så tabellen kan måles på nytt når en leverandør slipper en ny modell. Når det endrer bildet, oppdateres dette innlegget med dato.

Se selv

• Les hvordan talemeldinger fungerer — opptak, grensen på ti minutter og hvor lyden går.
• Se listen over underdatabehandlere — leverandør, land, formål og region for hver part som behandler dataene dine.
• Prøv live-demoen — den virkelige oversettelsespipelinen på din egen lyd, uten registrering.

Kilder: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) og tabellen over Speech-regioner (learn.microsoft.com); Google Cloud — Chirp 3-modellen (docs.cloud.google.com), grenser for synkron gjenkjenning (docs.cloud.google.com) og støttede språk (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endepunkter og kvoter (docs.aws.amazon.com) og støttede språk (docs.aws.amazon.com); alt kontrollert i september 2026. Måling: InterMIND speech bench, 2026-09-16, 153 klipp, 17 språk.