Azure AI Speech, Google Chirp 3 и Amazon Transcribe на 153 голосовых сообщениях: почему InterMIND выполняет распознавание речи на собственном облачном шлюзе вашей организации (2026)

Голосовое сообщение в канале InterMIND превращается в текст, который каждый участник читает на своём языке. Первый шаг к этому — распознавание речи. ИТ-специалист хоста или проверяющий со стороны клиента спрашивает не «насколько это точно», а «чей это сервис и куда уходит аудио».

Короткий ответ: Azure AI Speech, речевой сервис шлюза ИИ по умолчанию, в собственном тенанте InterMIND в Azure в регионе Sweden Central. Кроме него мы измерили речевые сервисы двух других шлюзов, которые организация может выбрать, на тех же записях, чтобы выбор опирался на цифры, а не на предпочтения. В этой статье приведены цифры, стоящие за этим выбором: одни и те же 153 записи, прогнанные в один день через Azure AI Speech, Google Cloud Speech-to-Text и Amazon Transcribe. Там же — два факта о каждом API, которые важнее процентного пункта точности.

Сначала правило: один шлюз на организацию

Каждая функция ИИ в InterMIND — сводки встреч, резюме документов, помощник по письму, Ask AI и Mia во встрече — работает на одном шлюзе языковых моделей, который выбирает организация. По умолчанию это Azure OpenAI в EU Data Zone. По выбору — Google Vertex AI на мультирегиональной конечной точке ЕС или Amazon Bedrock во Франкфурте, и в каждом случае это собственный тенант InterMIND. Мы объясняли логику этого решения в статье Meeting AI on your own cloud gateway: у большинства организаций такой шлюз уже входит в список утверждённых субпроцессоров, поэтому функция ИИ не добавляет в список новую компанию.

Распознавание речи для голосовых сообщений сегодня подчиняется тому же правилу на шлюзе по умолчанию. При этом у каждого из трёх шлюзов рядом с языковыми моделями есть свой речевой сервис — именно его мы и измеряем:

Во всех случаях распознавателю сообщают родной язык говорящего — язык, который участник указал в профиле. В наших тестах автоматическое определение языка оказалось ненадёжным на коротких записях: четырёхсекундное русское сообщение было распознано как английское. Именно так продукт вызывает Azure сегодня, и в тесте два других сервиса вызываются так же.

Что мы измеряли

Набор. 153 записи на 17 языках: 136 реплик диалогов и 17 формальных отрывков. Реплики взяты из двух деловых диалогов (переговоры по контракту и ежедневный стендап), которые произнесли два синтетических голоса продукта на десяти языках. Формальные отрывки — деловые предложения FLORES-200 из нашего публичного бенчмарка перевода, прочитанные синтетическим голосом, по одному на язык, длиной от 71 до 109 секунд. Реплики диалогов длятся от 3 до 30 секунд — как настоящее голосовое сообщение.

Метрика. Доля ошибок в словах (WER) относительно эталонного текста — доля слов, которые заменены, вставлены или пропущены, — после нормализации регистра, пунктуации и пробелов. Китайский и японский сравниваются посимвольно. Долю ошибок в символах мы тоже записывали, и она рассказывает ту же историю.

Стенд. Один скрипт, одна машина, один час 2026-09-16, каждый движок прогнал все 153 записи. Azure и Amazon Transcribe получали каждую запись целиком. Синхронный распознаватель Google принимает не более 60 секунд, поэтому 17 формальных записей мы разрезали по паузам на фрагменты короче 55 секунд, а транскрипты склеили; 136 записей диалогов пошли целиком. Amazon Transcribe требует аудио в темпе реального времени, поэтому стенд подавал ему звук в четыре раза быстрее реального времени. Его показатель задержки ниже — это нижняя граница, заданная подачей, а не сервисом.

Чем это не является. Это синтетические голоса в тихом аудио, а не полевые записи с телефона в машине. Один день, один прогон на запись. Это сравнение на аудио, на котором тестируется наш собственный конвейер перевода, и на языках, на которых пишут наши пользователи, — а не рейтинг.

Результаты: доля ошибок в словах по языкам

Средний WER по записям каждого языка; каждый движок вернул транскрипт для всех 153 записей.

Языки с единственной записью (только формальный отрывок) приведены для полноты; результат по одной записи — это точка данных, а не показатель.

Что говорят цифры

• По всему набору три сервиса отличаются друг от друга меньше чем на один пункт: 9%, 10% и 10%. Каждая из 153 записей вернулась с транскриптом от каждого движка — покрытие 17 языков полное у всех трёх.
• Различия проявляются по языкам, и они идут в обе стороны. У Azure самая низкая доля ошибок на французском (5% против 11% и 12%) и немецком (7% против 9% и 13%), и он разделил первое место на английском (2%, вместе с Amazon Transcribe) и китайском (3%, вместе с Google). У Amazon Transcribe самый низкий результат на арабском (26% против 32% и 46%). У Google самый низкий результат на русском (10% против 14% и 14%), португальском, венгерском и турецком.
• Арабский сложен для всех трёх. Лучший результат на арабских репликах диалогов — одно неверное слово из четырёх. Это согласуется с тем, что мы видели на стороне перевода: в августе 2026 года мы убрали арабский из выбора языка встречи, пока качество не достигнет нашей планки (сколько языков мы поддерживаем).
• Время обработки у всех трёх заметно меньше длительности записи. Сообщение в 30 секунд на нашем стенде обрабатывается примерно за три секунды в Azure и примерно за семь в Google; показатель Amazon определяется темпом подачи.

Почему Azure AI Speech остаётся сервисом по умолчанию

Три причины, в том порядке, в каком они повлияли на решение.

1. Шлюз по умолчанию — Azure. Организация, которая не выбрала шлюз, запускает функции ИИ на Azure OpenAI в EU Data Zone, поэтому её голосовые сообщения распознаёт Azure AI Speech в том же тенанте. Никакого дополнительного субпроцессора и никакого дополнительного региона. Microsoft заявляет, что Azure Speech не хранит и не обрабатывает данные за пределами региона ресурса Speech (страница регионов, проверено в сентябре 2026); наш ресурс находится в Sweden Central, который указан в списке для быстрой транскрипции.

2. Форма API подходит голосовому сообщению. Голосовое сообщение в InterMIND может длиться до десяти минут (голосовые сообщения). Быстрая транскрипция Azure принимает запись целиком одним запросом. Синхронное распознавание Google останавливается на 60 секундах, поэтому для десятиминутного сообщения нужно пакетное распознавание через бакет хранилища или потоковая сессия. Amazon Transcribe работает потоком, но принимает PCM, FLAC или Ogg-Opus, а не форматы, в которых пишут телефоны и браузеры, поэтому аудио сначала приходится перекодировать. Обе задачи решаемы — наш стенд их решает, — но это больше подвижных частей на пути каждого сообщения.

3. Цифры не противоречат этому выбору. При 9% против 10% и 10% ни один движок на этом наборе не настолько лучше, чтобы оправдать перенос голосовых сообщений с шлюза по умолчанию. Если бы у Google или Amazon доля ошибок оказалась вдвое меньше, в этой статье было бы сказано об этом.

Что это значит для организаций на Vertex AI или Bedrock

Если ваша организация выбрала шлюзом Google Vertex AI или Amazon Bedrock, ваши функции ИИ работают там. Голосовые сообщения в таких организациях сейчас приходят как запись без транскрипта: мы измерили Google Cloud Speech-to-Text и Amazon Transcribe, как показано в этой статье, но в продукт их пока не подключили. Разрешения и код интеграции существуют; статья будет обновлена, когда эти сервисы появятся на пути каждого сообщения. До тех пор голосовое сообщение в организации на Vertex AI или Bedrock — это запись, которую можно воспроизвести; организация, переключившая шлюз на Azure, получает транскрипты для сообщений, отправленных начиная с этого момента.

FAQ

Какой сервис распознавания речи использует InterMIND?

Для голосовых сообщений в чате — Azure AI Speech (API быстрой транскрипции) в собственном тенанте InterMIND в Azure в регионе Sweden Central, то есть речевой сервис шлюза ИИ по умолчанию. Живая речь во встречах идёт другим путём: она обрабатывается на собственном медиадвижке InterMIND, Mind API, размещённом у OVH во Франции, и никогда не попадает в облачный речевой сервис (где работает одна встреча).

Azure AI Speech точнее, чем Google Speech-to-Text или Amazon Transcribe?

На нашем наборе из 153 записей голосовых сообщений на 17 языках, измеренном в один день на одном стенде, средний WER составил у Azure AI Speech 9%, у Google Cloud Speech-to-Text (Chirp 3) 10%, у Amazon Transcribe 10%. По языкам порядок меняется: Azure показал лучший результат на французском, английском и китайском, Amazon Transcribe — на арабском, Google — на русском. На другом наборе записей рейтинг может отличаться; таблица выше — доказательство для нашего набора.

Что такое доля ошибок в словах и как её считали здесь?

Доля ошибок в словах — это число замещённых, вставленных и пропущенных слов, делённое на число слов в эталонном тексте. Перед сравнением мы нормализуем регистр, пунктуацию и пробелы, а китайский и японский сравниваем посимвольно, потому что в этих письменностях слова не разделяются пробелами. WER 9% означает, что примерно одно слово из одиннадцати отличается от эталона.

Покидает ли аудио голосового сообщения пределы ЕС?

Нет. Запись хранится в объектном хранилище InterMIND в ЕС, а речевой сервис, который её распознаёт, работает в регионе ЕС: Sweden Central в Azure, мультирегион eu в Google Cloud, Франкфурт в AWS. Полный список сторон и регионов приведён на странице субпроцессоров и странице доверия.

Почему не распознавать речь на стороне клиента, в приложении, чтобы аудио не покидало телефон?

Мы измерили и это — в сентябре 2026 года. Встроенный распознаватель Chrome с локальной обработкой распознал 0 из 17 формальных записей на языках продукта, а языковое покрытие клиентских распознавателей намного уже, чем 17 языков в таблице выше. Клиентское распознавание — направление, которое мы будем измерять заново по мере развития платформ; сегодня работает для каждого участника на каждом языке путь через шлюз.

Может ли наша организация выбрать, какой речевой сервис распознаёт её голосовые сообщения?

Отдельно — нет: администратор организации выбирает шлюз ИИ на странице Integrations. На шлюзе по умолчанию голосовые сообщения распознаёт Azure AI Speech. На Vertex AI и Amazon Bedrock голосовые сообщения пока не распознаются — см. раздел выше.

Какой может быть длина голосового сообщения и ограничивает ли её API?

До десяти минут. Быстрая транскрипция Azure принимает файлы до 5 часов и 500 МБ за один запрос, поэтому сообщение распознаётся одним вызовом. Синхронное распознавание Google принимает 60 секунд и 10 МБ, поэтому наш стенд разрезал длинные записи на фрагменты по паузам.

Почему распознавателю сообщают язык говорящего, а не определяют его автоматически?

Потому что голосовое сообщение короткое. На четырёхсекундной записи автоматическое определение языка может вернуть не тот язык — русское тестовое сообщение было распознано как английское, — а язык профиля участника почти всегда верен. Распознаватель получает этот язык, и только когда он неизвестен, получает в качестве кандидатов языки комнаты.

Распознаётся ли аудио встречи тем же сервисом?

Нет. Живая речь во встрече распознаётся и переводится на собственном движке InterMIND (Mind API) на медиасервере, который несёт звонок, размещённом у OVH во Франции — см. где работает одна встреча. Облачный шлюз видит текст, но никогда не видит аудио звонка (ИИ встреч на вашем собственном шлюзе).

Будете ли вы публиковать результаты снова?

Стенд запускается одной командой, и разрешения для каждого движка уже настроены, поэтому таблицу можно измерить заново, когда вендор выпустит новую модель. Если это изменит картину, статья будет обновлена с указанием даты.

Попробуйте сами

• Узнайте, как работают голосовые сообщения — запись, ограничение в десять минут и то, куда идёт аудио.
• Посмотрите список субпроцессоров — вендор, страна, назначение и регион для каждой стороны, которая обрабатывает ваши данные.
• Попробуйте живую демонстрацию — рабочий конвейер перевода на вашем собственном аудио, без регистрации.

Источники: Microsoft — быстрая транскрипция Azure AI Speech (learn.microsoft.com) и таблица регионов Speech (learn.microsoft.com); Google Cloud — модель Chirp 3 (docs.cloud.google.com), ограничения синхронного распознавания (docs.cloud.google.com) и поддерживаемые языки (docs.cloud.google.com); AWS — потоковый режим Amazon Transcribe (docs.aws.amazon.com), конечные точки и квоты (docs.aws.amazon.com) и поддерживаемые языки (docs.aws.amazon.com); всё проверено в сентябре 2026. Измерение: InterMIND speech bench, 2026-09-16, 153 записи, 17 языков.