Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe pe 153 de note vocale: de ce InterMIND rulează speech-to-text pe gateway-ul cloud propriu al organizației tale (2026)

O notă vocală dintr-un canal InterMIND devine un mesaj text pe care fiecare coleg îl citește în limba lui. Primul pas este speech-to-text, iar întrebarea pe care o pune departamentul IT al gazdei sau auditorul unui client nu este „cât de precis este", ci „al cui este serviciul și unde ajunge sunetul".

Răspunsul scurt: Azure AI Speech, serviciul de vorbire al gateway-ului AI implicit, în tenantul Azure propriu al InterMIND din Sweden Central. Am măsurat și serviciile de vorbire ale celorlalte două gateway-uri pe care o organizație le poate alege, pe aceleași clipuri, astfel încât alegerea să fie o cifră, nu o preferință. Articolul prezintă cifrele din spatele acestei alegeri (aceleași 153 de clipuri trecute în aceeași zi prin Azure AI Speech, Google Cloud Speech-to-Text și Amazon Transcribe) și câte două lucruri despre fiecare API care contează mai mult decât un punct procentual de acuratețe.

Regula vine prima: un gateway pe organizație

Fiecare funcție AI din InterMIND (rezumatele întâlnirilor, rezumatele documentelor, asistentul de scriere, Ask AI și Mia în întâlnire) rulează pe un singur gateway de modele de limbaj, ales de organizație: implicit Azure OpenAI în EU Data Zone, sau, la alegere, Google Vertex AI pe endpointul multi-regiune UE ori Amazon Bedrock în Frankfurt, fiecare în tenantul propriu al InterMIND. Am explicat raționamentul în Meeting AI on your own cloud gateway: pentru majoritatea organizațiilor, gateway-ul respectiv se află deja pe lista aprobată de subprocesatori, deci o funcție AI nu adaugă nicio companie nouă pe listă.

Speech-to-text pentru notele vocale urmează astăzi aceeași regulă pe gateway-ul implicit, iar fiecare dintre cele trei gateway-uri are un serviciu de vorbire alături de modelele sale de limbaj. Acest lucru măsurăm aici:

Recunoscătorului i se spune de fiecare dată limba vorbitorului, adică limba setată de membru în profil, pentru că identificarea automată a limbii s-a dovedit nesigură pe clipuri scurte în testele noastre: o notă în rusă de patru secunde a fost returnată ca engleză. Așa apelează produsul Azure astăzi, iar testul le apelează pe celelalte două în același mod.

Ce am măsurat

Setul. 153 de clipuri în 17 limbi: 136 de replici de dialog (două dialoguri de business, o negociere de contract și un stand-up zilnic, rostite de cele două voci sintetice ale produsului în zece limbi) plus 17 pasaje formale, adică propozițiile de business FLORES-200 din benchmarkul nostru public de traducere, citite de o voce sintetică, câte unul pe limbă, cu durate între 71 și 109 secunde. Replicile de dialog durează între 3 și 30 de secunde, lungimea unei note vocale reale.

Metrica. Rata de erori pe cuvânt (WER) față de textul de referință, adică fracțiunea de cuvinte substituite, inserate sau omise, după normalizarea majusculelor, a punctuației și a spațiilor; chineza și japoneza sunt comparate pe caracter. Rata de erori pe caracter a fost înregistrată în paralel și spune aceeași poveste.

Banca de test. Un script, o mașină, o oră, pe 2026-09-16, fiecare motor pe toate cele 153 de clipuri. Azure și Amazon Transcribe au primit fiecare clip întreg. Recunoscătorul sincron al Google acceptă cel mult 60 de secunde, așa că cele 17 clipuri formale au fost tăiate la pauze în bucăți sub 55 de secunde, iar transcrierile au fost lipite; cele 136 de clipuri de dialog au mers întregi. Amazon Transcribe cere audio într-un ritm real, așa că scriptul i l-a trimis de patru ori mai repede decât timpul real; cifra lui de latență de mai jos este deci un prag stabilit de fluxul de intrare, nu de serviciu.

Ce nu este acesta. Voci sintetice în audio liniștit, nu înregistrări din teren, de pe un telefon dintr-o mașină. O zi, o singură rulare pe clip. Este o comparație pe audio-ul pe care este testat propriul nostru flux de traducere, în limbile în care scriu utilizatorii noștri, nu un clasament.

Rezultate: rata de erori pe cuvânt, pe limbă

WER mediu pe clipurile fiecărei limbi; fiecare motor a returnat o transcriere pentru toate cele 153 de clipuri.

Limbile cu un singur clip (doar pasajul formal) sunt afișate pentru completitudine; o cifră obținută dintr-un singur clip este un punct de date, nu o rată.

Ce spun cifrele

• Pe întregul set, cele trei servicii sunt la mai puțin de un punct unul de altul: 9%, 10% și 10%. Fiecare dintre cele 153 de clipuri a primit o transcriere de la fiecare motor, deci acoperirea celor 17 limbi este completă la toate trei.
• Diferențele sunt pe limbă și merg în ambele sensuri. Azure a avut cea mai mică rată de erori la franceză (5% față de 11% și 12%) și la germană (7% față de 9% și 13%), și a egalat cea mai mică rată la engleză (2%, cu Amazon Transcribe) și la chineză (3%, cu Google). Amazon Transcribe a avut cea mai mică rată la arabă (26% față de 32% și 46%). Google a avut cea mai mică rată la rusă (10% față de 14% și 14%), portugheză, maghiară și turcă.
• Araba este grea pentru toate trei. Cel mai bun rezultat pe clipurile de dialog în arabă înseamnă un cuvânt greșit din patru. Asta se potrivește cu ce am văzut pe partea de traducere, unde am retras araba din selectorul de limbi al întâlnirii în august 2026, până când calitatea atinge standardul nostru (câte limbi susținem).
• Timpul de procesare este mult sub timpul real la toate trei. O notă de 30 de secunde durează aproximativ trei secunde pe Azure și aproximativ șapte pe Google în această bancă de test; cifra Amazon este dominată de fluxul cu ritm impus.

De ce Azure AI Speech rămâne implicit

Trei motive, în ordinea în care au decis.

1. Gateway-ul implicit este Azure. O organizație care nu a ales un gateway își rulează funcțiile AI pe Azure OpenAI în EU Data Zone, deci notele ei vocale sunt transcrise de Azure AI Speech în același tenant. Fără subprocesator suplimentar, fără regiune suplimentară. Microsoft precizează că Azure Speech nu stochează și nu procesează date în afara regiunii resursei Speech (pagina de regiuni, verificată în septembrie 2026); resursa noastră se află în Sweden Central, regiune listată pentru fast transcription.

2. Forma API-ului se potrivește unei note vocale. O notă vocală în InterMIND poate dura până la zece minute (note vocale). Fast transcription de la Azure primește întreaga înregistrare într-o singură cerere. Recunoașterea sincronă a Google se oprește la 60 de secunde, așa că o notă de zece minute are nevoie de recunoaștere batch printr-un bucket de stocare sau de o sesiune de streaming; Amazon Transcribe face streaming, dar primește PCM, FLAC sau Ogg-Opus, nu formatele în care înregistrează telefoanele și browserele, așa că audio-ul trebuie mai întâi transcodat. Ambele probleme se pot rezolva (banca noastră de test le rezolvă), dar înseamnă mai multe piese în mișcare pe traseul fiecărei note.

3. Cifrele nu spun altceva. La 9% față de 10% și 10%, niciun motor din acest set nu este suficient de mai bun încât să justifice mutarea notelor vocale de pe gateway-ul implicit. Dacă Google sau Amazon ar fi ieșit cu jumătate din rata de erori, articolul ar fi spus-o.

Ce înseamnă pentru organizațiile pe Vertex AI sau Bedrock

Dacă organizația ta a selectat Google Vertex AI sau Amazon Bedrock ca gateway, funcțiile tale AI rulează acolo. Notele vocale din aceste organizații ajung în prezent ca o înregistrare fără transcriere: am măsurat Google Cloud Speech-to-Text și Amazon Transcribe, după cum arată articolul, dar nu le-am integrat încă în produs. Permisiunile și codul de integrare există; articolul va fi actualizat când ele vor fi pe traseul fiecărei note. Până atunci, o notă vocală dintr-o organizație pe Vertex AI sau Bedrock este o înregistrare care poate fi redată; o organizație care își trece gateway-ul pe Azure primește transcrieri pentru notele trimise din acel moment.

FAQ

Ce serviciu de speech-to-text folosește InterMIND?

Pentru notele vocale din chat, Azure AI Speech (API-ul fast transcription) în tenantul Azure propriu al InterMIND din Sweden Central, serviciul de vorbire al gateway-ului AI implicit. Vorbirea live din întâlniri este un alt traseu: rulează pe propriul motor media al InterMIND, Mind API, găzduit la OVH în Franța, și nu atinge niciodată un serviciu de vorbire din cloud (unde rulează o întâlnire).

Este Azure AI Speech mai precis decât Google Speech-to-Text sau Amazon Transcribe?

Pe setul nostru de 153 de clipuri de note vocale în 17 limbi, măsurat în aceeași zi cu aceeași bancă de test, Azure AI Speech a avut o rată medie de erori pe cuvânt de 9%, Google Cloud Speech-to-Text (Chirp 3) de 10% și Amazon Transcribe de 10%. Pe limbi, ordinea se schimbă: Azure a fost cel mai bun la franceză, engleză și chineză, Amazon Transcribe la arabă, Google la rusă. Pe un alt set de înregistrări, clasamentul poate diferi; tabelul de mai sus este dovada pentru setul nostru.

Ce este rata de erori pe cuvânt și cum a fost calculată aici?

Rata de erori pe cuvânt este numărul de cuvinte substituite, inserate și omise, împărțit la numărul de cuvinte din textul de referință. Normalizăm majusculele, punctuația și spațiile înainte de comparare și comparăm chineza și japoneza pe caracter, pentru că aceste scrieri nu separă cuvintele prin spații. O rată de 9% înseamnă că aproximativ un cuvânt din unsprezece diferă de referință.

Părăsește sunetul unei note vocale UE?

Nu. Înregistrarea este stocată în spațiul de stocare de obiecte al InterMIND din UE, iar serviciul de vorbire care o transcrie rulează într-o regiune UE: Sweden Central pe Azure, multi-regiunea eu pe Google Cloud, Frankfurt pe AWS. Lista completă a părților și regiunilor se află pe pagina de subprocesatori și pe pagina trust.

De ce nu recunoaștem vorbirea pe client, în aplicație, ca sunetul să nu părăsească telefonul?

Am măsurat și asta, în septembrie 2026. Recunoscătorul încorporat în Chrome, cu procesare locală, a recunoscut 0 din 17 clipuri formale în limbile produsului, iar acoperirea de limbi a recunoscătorilor pe client este mult mai îngustă decât cele 17 limbi din tabelul de mai sus. Recunoașterea pe client este o direcție pe care o remăsurăm pe măsură ce platformele se îmbunătățesc; astăzi, traseul prin gateway este cel care funcționează pentru fiecare membru, în fiecare limbă.

Poate organizația noastră să aleagă ce serviciu de vorbire îi transcrie notele vocale?

Nu separat: gateway-ul AI este ceea ce selectează administratorul organizației pe pagina Integrări. Pe gateway-ul implicit, notele vocale sunt transcrise de Azure AI Speech. Pe Vertex AI și Amazon Bedrock, notele vocale nu sunt încă transcrise; vezi secțiunea de mai sus.

Cât de lungă poate fi o notă vocală și o limitează API-ul?

Până la zece minute. Fast transcription de la Azure acceptă fișiere de până la 5 ore și 500 MB într-o singură cerere, deci o notă este transcrisă dintr-un singur apel. Recunoașterea sincronă a Google acceptă 60 de secunde și 10 MB, motiv pentru care banca noastră de test a tăiat clipurile lungi în bucăți la pauze.

De ce i se spune recunoscătorului limba vorbitorului în loc să o detecteze?

Pentru că o notă vocală este scurtă. Pe un clip de patru secunde, identificarea automată a limbii poate returna limba greșită (o notă de test în rusă a fost returnată ca engleză), în timp ce limba din profilul unui membru este corectă aproape de fiecare dată. Recunoscătorul primește acea limbă și doar când ea nu este cunoscută primește ca variante limbile camerei.

Este audio-ul întâlnirii transcris de același serviciu?

Nu. Vorbirea live dintr-o întâlnire este recunoscută și tradusă pe propriul motor al InterMIND (Mind API), pe serverul media care transportă apelul, găzduit la OVH în Franța; vezi unde rulează o întâlnire. Gateway-ul cloud vede text, niciodată audio-ul unui apel (meeting AI pe propriul gateway).

Veți publica din nou rezultatele?

Banca de test rulează dintr-o singură comandă, iar permisiunile fiecărui motor sunt la locul lor, deci tabelul poate fi remăsurat când un furnizor lansează un model nou. Când schimbă tabloul, articolul este actualizat cu data.

Vezi singur

• Citește cum funcționează notele vocale: înregistrarea, limita de zece minute și încotro merge sunetul.
• Vezi lista de subprocesatori: furnizor, țară, scop și regiune pentru fiecare parte care îți procesează datele.
• Încearcă demonstrația live: fluxul de traducere din producție pe propriul tău audio, fără înscriere.

Surse: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) și tabelul de regiuni Speech (learn.microsoft.com); Google Cloud — modelul Chirp 3 (docs.cloud.google.com), limitele recunoașterii sincrone (docs.cloud.google.com) și limbile acceptate (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpointuri și cote (docs.aws.amazon.com) și limbile acceptate (docs.aws.amazon.com); toate verificate în septembrie 2026. Măsurătoare: InterMIND speech bench, 2026-09-16, 153 de clipuri, 17 limbi.