Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe em 153 notas de voz: por que o InterMIND executa a transcrição de fala em texto no gateway de nuvem da sua própria organização (2026)

Uma nota de voz em um canal do InterMIND vira uma mensagem de texto que cada colega lê no próprio idioma. O primeiro passo disso é a transcrição de fala em texto, e a pergunta que o time de TI do anfitrião ou o revisor de um cliente faz não é "qual é a precisão", mas "de quem é esse serviço e para onde vai o áudio".

A resposta curta: Azure AI Speech, o serviço de fala do gateway de IA padrão, no tenant Azure próprio do InterMIND na Suécia Central — e os serviços de fala dos outros dois gateways que uma organização pode escolher, medidos nos mesmos clipes, para que a escolha seja um número, e não uma preferência. Este post mostra os números por trás dessa escolha — os mesmos 153 clipes passando pelo Azure AI Speech, pelo Google Cloud Speech-to-Text e pelo Amazon Transcribe no mesmo dia — e os dois fatos sobre cada API que importam mais do que um ponto percentual de precisão.

A regra vem primeiro: um gateway por organização

Todo recurso de IA do InterMIND — recaps de reuniões, resumos de documentos, o assistente de escrita, o Ask AI e a Mia na reunião — roda em um único gateway de modelos de linguagem que a organização seleciona: Azure OpenAI na EU Data Zone por padrão, Google Vertex AI no endpoint multirregional da UE ou Amazon Bedrock em Frankfurt por escolha, cada um no tenant próprio do InterMIND. Explicamos o raciocínio em IA de reuniões no gateway de nuvem da sua própria organização: para a maioria das organizações, esse gateway já está na lista aprovada de subprocessadores, então um recurso de IA não acrescenta nenhuma empresa nova à lista.

A transcrição de fala em texto das notas de voz segue a mesma regra no gateway padrão hoje, e cada um dos três gateways tem um serviço de fala ao lado de seus modelos de linguagem — é isso que este post mede:

Em todos os casos, o reconhecedor recebe o idioma do próprio falante — o idioma que o membro definiu no perfil — porque a identificação automática de idioma se mostrou pouco confiável em clipes curtos nos nossos testes: uma nota de quatro segundos em russo voltou como inglês. É assim que o produto chama o Azure hoje, e o teste chama os outros dois da mesma forma.

O que medimos

O conjunto. 153 clipes em 17 idiomas: 136 turnos de diálogo — dois diálogos de negócios (uma negociação de contrato e um daily stand-up) falados pelas duas vozes sintéticas do produto em dez idiomas — mais 17 trechos formais, as frases de negócios do FLORES-200 do nosso benchmark público de tradução lidas por uma voz sintética, um por idioma e com 71 a 109 segundos de duração. Os turnos de diálogo têm de 3 a 30 segundos, a duração de uma nota de voz real.

A métrica. Taxa de erro de palavras (WER) em relação ao texto de referência — a fração de palavras substituídas, inseridas ou removidas — após normalizar maiúsculas e minúsculas, pontuação e espaços em branco; chinês e japonês são comparados por caractere. A taxa de erro de caracteres foi registrada em paralelo e conta a mesma história.

O harness. Um script, uma máquina, uma hora em 16/09/2026, cada motor sobre todos os 153 clipes. Azure e Amazon Transcribe receberam cada clipe inteiro. O reconhecedor síncrono do Google aceita no máximo 60 segundos, então os 17 clipes formais foram cortados nos silêncios em pedaços de menos de 55 segundos e as transcrições foram unidas; os 136 clipes de diálogo foram inteiros. O Amazon Transcribe espera áudio em ritmo de tempo real, então o harness o alimentou quatro vezes mais rápido que o tempo real; por isso, a latência dele abaixo é um piso imposto pelo envio, não pelo serviço.

O que isto não é. São vozes sintéticas em áudio sem ruído, não gravações de campo feitas num celular dentro de um carro. Um dia, uma execução por clipe. É uma comparação sobre o áudio com que o nosso próprio pipeline de tradução é testado, nos idiomas em que nossos usuários escrevem — não um ranking.

Resultados: taxa de erro de palavras por idioma

WER médio nos clipes de cada idioma; todos os motores devolveram uma transcrição para os 153 clipes.

Os idiomas com um único clipe (apenas o trecho formal) são mostrados por completude; um valor de um clipe é um ponto de dados, não uma taxa.

O que os números dizem

• No conjunto todo, os três serviços ficam a menos de um ponto uns dos outros: 9%, 10% e 10%. Todos os 153 clipes voltaram com transcrição de todos os motores — a cobertura dos 17 idiomas é completa nos três.
• As diferenças são por idioma, e vão nos dois sentidos. O Azure teve a menor taxa de erro em francês (5% contra 11% e 12%) e alemão (7% contra 9% e 13%), e empatou com a menor em inglês (2%, com o Amazon Transcribe) e chinês (3%, com o Google). O Amazon Transcribe teve a menor em árabe (26% contra 32% e 46%). O Google teve a menor em russo (10% contra 14% e 14%), português, húngaro e turco.
• O árabe é difícil para os três. O melhor resultado nos clipes de diálogo em árabe é de uma palavra errada em cada quatro. Isso condiz com o que vimos no lado da tradução, onde retiramos o árabe do seletor de idiomas da reunião em agosto de 2026 até que a qualidade atinja o nosso patamar (quantos idiomas oferecemos).
• O tempo de processamento fica bem abaixo do tempo real nos três. Uma nota de 30 segundos leva cerca de três segundos no Azure e cerca de sete no Google neste harness; o valor da Amazon é dominado pelo envio em ritmo controlado.

Por que o Azure AI Speech continua como padrão

Três razões, na ordem em que decidiram a questão.

1. O gateway padrão é o Azure. Uma organização que não escolheu um gateway executa seus recursos de IA no Azure OpenAI na EU Data Zone, então suas notas de voz são transcritas pelo Azure AI Speech no mesmo tenant. Nenhum subprocessador adicional, nenhuma região adicional. A Microsoft informa que o Azure Speech não armazena nem processa dados fora da região do recurso Speech (página de regiões, consultada em setembro de 2026); o nosso recurso está na Suécia Central, que consta na lista para transcrição rápida.

2. O formato da API combina com uma nota de voz. Uma nota de voz no InterMIND pode ter até dez minutos (notas de voz). A transcrição rápida do Azure recebe a gravação inteira em uma única requisição. O reconhecimento síncrono do Google para em 60 segundos, então uma nota de dez minutos exige reconhecimento em lote por um bucket de armazenamento ou uma sessão de streaming; o Amazon Transcribe faz streaming, mas aceita PCM, FLAC ou Ogg-Opus em vez dos formatos em que celulares e navegadores gravam, então o áudio precisa ser transcodificado antes. Ambos têm solução — o harness resolve —, mas são mais peças móveis no caminho de cada nota.

3. Os números não vão contra essa escolha. Com 9% contra 10% e 10%, nenhum motor neste conjunto é melhor o bastante para justificar tirar as notas de voz do gateway padrão. Se Google ou Amazon tivessem chegado à metade da taxa de erro, este post diria isso.

O que isso significa para organizações no Vertex AI ou no Bedrock

Se a sua organização selecionou o Google Vertex AI ou o Amazon Bedrock como gateway, seus recursos de IA rodam lá. As notas de voz nessas organizações chegam, por enquanto, como uma gravação sem transcrição: medimos o Google Cloud Speech-to-Text e o Amazon Transcribe, como este post mostra, mas ainda não os integramos ao produto. As permissões e o código de integração existem; este post será atualizado quando eles estiverem no caminho de cada nota. Até lá, uma nota de voz em uma organização no Vertex AI ou no Bedrock é uma gravação que pode ser reproduzida; uma organização que troca seu gateway para o Azure passa a receber transcrições nas notas enviadas a partir daí.

FAQ

Qual serviço de fala em texto o InterMIND usa?

Para notas de voz no chat, o Azure AI Speech (API de transcrição rápida) no tenant Azure próprio do InterMIND na Suécia Central — o serviço de fala do gateway de IA padrão. A fala ao vivo nas reuniões segue outro caminho: roda no motor de mídia próprio do InterMIND, a Mind API, hospedada na OVH, na França, e nunca passa por um serviço de fala de nuvem (onde uma reunião do InterMIND roda).

O Azure AI Speech é mais preciso que o Google Speech-to-Text ou o Amazon Transcribe?

No nosso conjunto de 153 clipes de notas de voz em 17 idiomas, medidos no mesmo dia com o mesmo harness, o Azure AI Speech teve taxa média de erro de palavras de 9%, o Google Cloud Speech-to-Text (Chirp 3) 10% e o Amazon Transcribe 10%. Por idioma, a ordem muda: o Azure foi o menor em francês, inglês e chinês, o Amazon Transcribe em árabe, o Google em russo. Em outro conjunto de gravações, o ranking pode ser diferente; a tabela acima é a evidência para o nosso.

O que é taxa de erro de palavras e como foi calculada aqui?

A taxa de erro de palavras é o número de palavras substituídas, inseridas e removidas dividido pelo número de palavras do texto de referência. Normalizamos maiúsculas e minúsculas, pontuação e espaços em branco antes de comparar, e comparamos chinês e japonês por caractere porque essas escritas não separam palavras com espaços. Uma taxa de 9% significa que cerca de uma palavra em onze difere da referência.

O áudio de uma nota de voz sai da UE?

Não. A gravação é armazenada no armazenamento de objetos do InterMIND na UE, e o serviço de fala que a transcreve roda em uma região da UE: Suécia Central no Azure, a multirregião eu no Google Cloud, Frankfurt na AWS. A lista completa de partes e regiões está na página de subprocessadores e na página de confiança.

Por que não reconhecer a fala no lado do cliente, no app, para que o áudio nunca saia do celular?

Também medimos isso, em setembro de 2026. O reconhecedor nativo do Chrome com processamento local reconheceu 0 de 17 clipes formais nos idiomas do produto, e a cobertura de idiomas dos reconhecedores no lado do cliente é muito mais estreita que os 17 idiomas da tabela acima. O reconhecimento no lado do cliente é uma direção que voltamos a medir conforme as plataformas evoluem; hoje, o caminho pelo gateway é o que funciona para todos os membros em todos os idiomas.

Nossa organização pode escolher qual serviço de fala transcreve suas notas de voz?

Não separadamente: o gateway de IA é o que o administrador da organização seleciona na página Integrações. No gateway padrão, as notas de voz são transcritas pelo Azure AI Speech. No Vertex AI e no Amazon Bedrock, as notas de voz ainda não são transcritas — veja a seção acima.

Qual o tamanho máximo de uma nota de voz, e a API impõe algum limite?

Até dez minutos. A transcrição rápida do Azure aceita arquivos de até 5 horas e 500 MB em uma única requisição, então uma nota é transcrita em uma só chamada. O reconhecimento síncrono do Google aceita 60 segundos e 10 MB, e é por isso que o harness cortou os clipes longos em pedaços nos silêncios.

Por que o reconhecedor recebe o idioma do falante em vez de detectá-lo?

Porque uma nota de voz é curta. Em um clipe de quatro segundos, a identificação automática de idioma pode devolver o idioma errado — uma nota de teste em russo voltou como inglês; o idioma do perfil do membro está certo quase sempre. O reconhecedor recebe esse idioma e, somente quando ele é desconhecido, recebe os idiomas da sala como candidatos.

O áudio da reunião é transcrito pelo mesmo serviço?

Não. A fala ao vivo em uma reunião é reconhecida e traduzida no motor próprio do InterMIND (a Mind API), no servidor de mídia que transporta a chamada, hospedado na OVH, na França — veja onde uma reunião do InterMIND roda. O gateway de nuvem vê texto, nunca o áudio de uma chamada (IA de reuniões no seu próprio gateway).

Vocês vão publicar os resultados de novo?

O harness roda com um único comando e as permissões de cada motor estão configuradas, então a tabela pode ser medida de novo quando um fornecedor lançar um modelo novo. Quando isso mudar o quadro, este post será atualizado com a data.

Veja você mesmo

• Leia como funcionam as notas de voz — gravação, o limite de dez minutos e para onde vai o áudio.
• Veja a lista de subprocessadores — fornecedor, país, finalidade e região de cada parte que processa os seus dados.
• Experimente a demonstração ao vivo — o pipeline de tradução de produção com o seu próprio áudio, sem cadastro.

Fontes: Microsoft — transcrição rápida do Azure AI Speech (learn.microsoft.com) e tabela de regiões do Speech (learn.microsoft.com); Google Cloud — modelo Chirp 3 (docs.cloud.google.com), limites do reconhecimento síncrono (docs.cloud.google.com) e idiomas compatíveis (docs.cloud.google.com); AWS — streaming do Amazon Transcribe (docs.aws.amazon.com), endpoints e cotas (docs.aws.amazon.com) e idiomas compatíveis (docs.aws.amazon.com); todos consultados em setembro de 2026. Medição: InterMIND speech bench, 16/09/2026, 153 clipes, 17 idiomas.