Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe na 153 notatkach głosowych: dlaczego InterMIND rozpoznaje mowę w bramie chmurowej należącej do Twojej organizacji (2026)

Notatka głosowa w kanale InterMIND staje się wiadomością tekstową, którą każdy współpracownik czyta we własnym języku. Pierwszym krokiem jest rozpoznawanie mowy (speech-to-text). Pytanie, które zadaje dział IT gospodarza lub audytor klienta, brzmi nie „jak dokładnie to działa", tylko „czyja to usługa i dokąd trafia dźwięk".

Krótka odpowiedź: Azure AI Speech, usługa mowy domyślnej bramy AI, we własnym tenancie InterMIND na Azure w Szwecji (Sweden Central). Przy tym mierzyliśmy usługi mowy dwóch pozostałych bram, które organizacja może wybrać, na tych samych nagraniach. Dzięki temu wybór opiera się na liczbie, a nie na preferencji. Ten wpis pokazuje liczby stojące za tym wyborem: te same 153 nagrania przepuszczone tego samego dnia przez Azure AI Speech, Google Cloud Speech-to-Text i Amazon Transcribe. Omawia też dwa fakty o każdym z API, które liczą się bardziej niż punkt procentowy dokładności.

Najpierw zasada: jedna brama na organizację

Każda funkcja AI w InterMIND (podsumowania spotkań, streszczenia dokumentów, asystent pisania, Ask AI i Mia na spotkaniu) działa na jednej bramie modeli językowych wybranej przez organizację. Domyślnie jest to Azure OpenAI w EU Data Zone, a do wyboru Google Vertex AI na europejskim endpointcie multi-region albo Amazon Bedrock we Frankfurcie, każda w tenancie InterMIND. Uzasadnienie opisaliśmy w wpisie Meeting AI on your own cloud gateway: w większości organizacji ta brama figuruje już na zatwierdzonej liście podprocesorów, więc funkcja AI nie dodaje do niej nowej firmy.

Rozpoznawanie mowy w notatkach głosowych podlega dziś tej samej zasadzie na bramie domyślnej, a każda z trzech bram ma usługę mowy obok swoich modeli językowych. Właśnie to mierzy ten wpis:

W każdym przypadku rozpoznawaniu podajemy język mówiącego, czyli ten, który członek ustawił w profilu. W naszych testach automatyczne rozpoznawanie języka okazało się zawodne na krótkich nagraniach: czterosekundowa notatka po rosyjsku wróciła jako angielska. Tak produkt wywołuje dziś Azure, a test wywołuje pozostałe dwie usługi w ten sam sposób.

Co zmierzyliśmy

Zestaw. 153 nagrania w 17 językach: 136 wypowiedzi z dialogów oraz 17 fragmentów formalnych. Dialogi to dwie rozmowy biznesowe (negocjacje umowy i codzienny stand-up) odegrane przez dwa syntetyczne głosy produktu w dziesięciu językach. Fragmenty formalne to zdania biznesowe FLORES-200 z naszego publicznego benchmarku tłumaczeń odczytane syntetycznym głosem, po jednym na język, o długości od 71 do 109 sekund. Wypowiedzi z dialogów trwają od 3 do 30 sekund, czyli tyle, ile prawdziwa notatka głosowa.

Miara. Współczynnik błędów słów (WER, word error rate) względem tekstu referencyjnego, czyli odsetek słów podstawionych, wstawionych lub pominiętych, po ujednoliceniu wielkości liter, interpunkcji i białych znaków. Chiński i japoński porównujemy znak po znaku. Współczynnik błędów znaków był rejestrowany równolegle i pokazuje ten sam obraz.

Skrypt testowy. Jeden skrypt, jedna maszyna, jedna godzina 2026-09-16, każdy silnik na wszystkich 153 nagraniach. Azure i Amazon Transcribe dostały każde nagranie w całości. Synchroniczny silnik Google przyjmuje najwyżej 60 sekund, więc 17 nagrań formalnych pocięto na ciszy na fragmenty poniżej 55 sekund, a transkrypcje połączono. 136 nagrań z dialogów poszło w całości. Amazon Transcribe oczekuje dźwięku w tempie rzeczywistym, więc skrypt podawał go cztery razy szybciej niż w czasie rzeczywistym. Podany niżej czas przetwarzania jest więc dolną granicą wyznaczoną przez podawanie danych, a nie przez usługę.

Czego to nie jest. To syntetyczne głosy w cichym nagraniu, a nie nagrania terenowe z telefonu w samochodzie. Jeden dzień, jedno uruchomienie na nagranie. To porównanie na dźwięku, na którym testowany jest nasz własny potok tłumaczeń, w językach, w których piszą nasi użytkownicy. Nie jest to ranking.

Wyniki: współczynnik błędów słów według języka

Średni WER na nagraniach danego języka; każdy silnik zwrócił transkrypcję dla wszystkich 153 nagrań.

Języki z jednym nagraniem (tylko fragment formalny) pokazujemy dla kompletności; wynik z jednego nagrania to punkt danych, a nie wskaźnik.

Co mówią liczby

• Na całym zestawie trzy usługi różnią się o mniej niż punkt procentowy: 9%, 10% i 10%. Każde z 153 nagrań wróciło z transkrypcją z każdego silnika, więc pokrycie 17 języków jest pełne we wszystkich trzech.
• Różnice dotyczą poszczególnych języków i idą w obie strony. Azure miał najniższy odsetek błędów dla francuskiego (5% wobec 11% i 12%) i niemieckiego (7% wobec 9% i 13%), a dla angielskiego (2%, razem z Amazon Transcribe) i chińskiego (3%, razem z Google) zajął miejsce ex aequo z najlepszym. Amazon Transcribe był najlepszy dla arabskiego (26% wobec 32% i 46%). Google był najlepszy dla rosyjskiego (10% wobec 14% i 14%), portugalskiego, węgierskiego i tureckiego.
• Arabski jest trudny dla wszystkich trzech. Najlepszy wynik na nagraniach dialogowych po arabsku to co czwarte słowo błędne. Zgadza się to z tym, co widzieliśmy po stronie tłumaczeń, gdzie w sierpniu 2026 wycofaliśmy arabski z selektora języka spotkania do czasu, aż jakość spełni nasze wymagania (ile języków obsługujemy).
• Czas przetwarzania jest we wszystkich trzech wyraźnie krótszy niż czas rzeczywisty. 30-sekundowa notatka zajmuje w tym skrypcie około trzech sekund na Azure i około siedmiu na Google; w wyniku Amazona dominuje tempo podawania danych.

Dlaczego Azure AI Speech pozostaje domyślne

Trzy powody, w kolejności, w jakiej przesądziły o decyzji.

1. Brama domyślna to Azure. Organizacja, która nie wybrała bramy, uruchamia funkcje AI na Azure OpenAI w EU Data Zone, więc jej notatki głosowe są transkrybowane przez Azure AI Speech w tym samym tenancie. Bez dodatkowego podprocesora i bez dodatkowego regionu. Microsoft deklaruje, że Azure Speech nie przechowuje ani nie przetwarza danych poza regionem zasobu Speech (strona regionów, sprawdzone we wrześniu 2026). Nasz zasób znajduje się w Sweden Central, który jest wymieniony dla szybkiej transkrypcji.

2. Kształt API pasuje do notatki głosowej. Notatka głosowa w InterMIND może trwać do dziesięciu minut (notatki głosowe). Szybka transkrypcja Azure przyjmuje całe nagranie w jednym żądaniu. Synchroniczne rozpoznawanie Google kończy się na 60 sekundach, więc dziesięciominutowa notatka wymaga rozpoznawania wsadowego przez bucket w magazynie lub sesji strumieniowej. Amazon Transcribe działa strumieniowo, ale przyjmuje PCM, FLAC lub Ogg-Opus, a nie formaty, w których nagrywają telefony i przeglądarki, więc dźwięk trzeba najpierw przekodować. Oba problemy da się rozwiązać (skrypt testowy je rozwiązuje), ale to więcej ruchomych części na ścieżce każdej notatki.

3. Liczby nie przemawiają przeciw. Przy 9% wobec 10% i 10% żaden silnik na tym zestawie nie jest na tyle lepszy, by uzasadniać przeniesienie notatek głosowych z bramy domyślnej. Gdyby Google lub Amazon osiągnęły o połowę niższy odsetek błędów, ten wpis by o tym mówił.

Co to oznacza dla organizacji na Vertex AI lub Bedrock

Jeśli Twoja organizacja wybrała jako bramę Google Vertex AI lub Amazon Bedrock, funkcje AI działają tam. Notatki głosowe w takich organizacjach docierają obecnie jako nagranie bez transkrypcji: zmierzyliśmy Google Cloud Speech-to-Text i Amazon Transcribe, jak pokazuje ten wpis, ale nie podłączyliśmy ich jeszcze do produktu. Uprawnienia i kod integracji istnieją; ten wpis zostanie zaktualizowany, gdy usługi te znajdą się na ścieżce każdej notatki. Do tego czasu notatka głosowa w organizacji na Vertex AI lub Bedrock jest nagraniem do odtworzenia. Organizacja, która przełączy bramę na Azure, dostaje transkrypcje notatek wysłanych od tej chwili.

FAQ

Z jakiej usługi rozpoznawania mowy korzysta InterMIND?

Dla notatek głosowych na czacie: z Azure AI Speech (API szybkiej transkrypcji) we własnym tenancie InterMIND na Azure w Sweden Central, czyli z usługi mowy domyślnej bramy AI. Mowa na żywo na spotkaniach to inna ścieżka: działa na własnym silniku medialnym InterMIND, Mind API, hostowanym w OVH we Francji, i nigdy nie trafia do chmurowej usługi mowy (gdzie działa jedno spotkanie).

Czy Azure AI Speech jest dokładniejsze niż Google Speech-to-Text lub Amazon Transcribe?

Na naszym zestawie 153 nagrań notatek głosowych w 17 językach, zmierzonych tego samego dnia tym samym skryptem, Azure AI Speech miał średni współczynnik błędów słów 9%, Google Cloud Speech-to-Text (Chirp 3) 10%, a Amazon Transcribe 10%. W poszczególnych językach kolejność się zmienia: Azure był najlepszy dla francuskiego, angielskiego i chińskiego, Amazon Transcribe dla arabskiego, Google dla rosyjskiego. Na innym zestawie nagrań ranking może wyglądać inaczej; powyższa tabela jest dowodem dla naszego zestawu.

Czym jest współczynnik błędów słów i jak go tu obliczono?

Współczynnik błędów słów to liczba słów podstawionych, wstawionych i pominiętych podzielona przez liczbę słów w tekście referencyjnym. Przed porównaniem ujednolicamy wielkość liter, interpunkcję i białe znaki, a chiński i japoński porównujemy znak po znaku, ponieważ w tych pismach słów nie oddziela się spacjami. Wynik 9% oznacza, że mniej więcej co jedenaste słowo różni się od wzorca.

Czy dźwięk z notatki głosowej opuszcza UE?

Nie. Nagranie jest przechowywane w magazynie obiektów InterMIND w UE, a usługa mowy, która je transkrybuje, działa w regionie UE: Sweden Central na Azure, multi-region eu w Google Cloud, Frankfurt w AWS. Pełna lista podmiotów i regionów znajduje się na stronie podprocesorów i na stronie zaufania.

Dlaczego nie rozpoznawać mowy po stronie klienta, w aplikacji, żeby dźwięk nie opuszczał telefonu?

Zmierzyliśmy i to, we wrześniu 2026. Wbudowany w Chrome silnik rozpoznawania z lokalnym przetwarzaniem rozpoznał 0 z 17 nagrań formalnych w językach produktu, a zakres języków rozpoznawania po stronie klienta jest znacznie węższy niż 17 języków z tabeli powyżej. Rozpoznawanie po stronie klienta to kierunek, który mierzymy ponownie w miarę rozwoju platform. Dziś działa ścieżka przez bramę, która sprawdza się dla każdego członka w każdym języku.

Czy nasza organizacja może wybrać, która usługa mowy transkrybuje jej notatki głosowe?

Nie osobno: administrator organizacji wybiera bramę AI na stronie Integracje. Na bramie domyślnej notatki głosowe są transkrybowane przez Azure AI Speech. Na Vertex AI i Amazon Bedrock notatki głosowe nie są jeszcze transkrybowane, zob. sekcja wyżej.

Jak długa może być notatka głosowa i czy API to ogranicza?

Do dziesięciu minut. Szybka transkrypcja Azure przyjmuje pliki do 5 godzin i 500 MB w jednym żądaniu, więc notatka jest transkrybowana jednym wywołaniem. Synchroniczne rozpoznawanie Google przyjmuje 60 sekund i 10 MB, dlatego skrypt testowy pociął długie nagrania na fragmenty na ciszy.

Dlaczego rozpoznawaniu podaje się język mówiącego zamiast go wykrywać?

Ponieważ notatka głosowa jest krótka. Na czterosekundowym nagraniu automatyczne rozpoznawanie języka może zwrócić zły język: rosyjska notatka testowa wróciła jako angielska, a język z profilu członka jest właściwy niemal za każdym razem. Rozpoznawanie dostaje ten język, a języki pokoju jako kandydatów dostaje tylko wtedy, gdy język mówiącego jest nieznany.

Czy dźwięk ze spotkania jest transkrybowany przez tę samą usługę?

Nie. Mowa na żywo na spotkaniu jest rozpoznawana i tłumaczona na własnym silniku InterMIND (Mind API) na serwerze medialnym obsługującym połączenie, hostowanym w OVH we Francji, zob. gdzie działa jedno spotkanie. Brama chmurowa widzi tekst, nigdy dźwięk rozmowy (meeting AI on your own gateway).

Czy opublikujecie wyniki ponownie?

Skrypt testowy uruchamia się jednym poleceniem, a uprawnienia każdego silnika są już gotowe, więc tabelę można zmierzyć na nowo, gdy dostawca wypuści nowy model. Gdy zmieni to obraz, wpis zostanie zaktualizowany z datą.

Zobacz sam

• Przeczytaj, jak działają notatki głosowe: nagrywanie, limit dziesięciu minut i to, dokąd trafia dźwięk.
• Zobacz listę podprocesorów: dostawca, kraj, cel i region dla każdego podmiotu przetwarzającego Twoje dane.
• Wypróbuj demo na żywo: produkcyjny potok tłumaczeń na Twoim własnym dźwięku, bez rejestracji.

Źródła: Microsoft — szybka transkrypcja Azure AI Speech (learn.microsoft.com) i tabela regionów Speech (learn.microsoft.com); Google Cloud — model Chirp 3 (docs.cloud.google.com), limity rozpoznawania synchronicznego (docs.cloud.google.com) i obsługiwane języki (docs.cloud.google.com); AWS — strumieniowanie Amazon Transcribe (docs.aws.amazon.com), endpointy i limity (docs.aws.amazon.com) i obsługiwane języki (docs.aws.amazon.com); wszystko sprawdzone we wrześniu 2026. Pomiar: InterMIND speech bench, 2026-09-16, 153 nagrania, 17 języków.