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

Голосовая заметка в канале InterMIND превращается в текстовое сообщение, которое каждый коллега читает на своём языке. Первый шаг к этому — распознавание речи. Свой ИТ-отдел 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 ИИ-шлюза по умолчанию, в собственном тенанте InterMIND в Azure в регионе Sweden Central. Мы также измерили речевые сервисы двух других шлюзов, которые организация может выбрать, на тех же записях, чтобы выбор опирался на число, а не на предпочтение. В этой статье приведены цифры, стоящие за выбором: одни и те же 153 записи, прогнанные через Azure AI Speech, Google Cloud Speech-to-Text и Amazon Transcribe в один день. Там же — два факта о каждом API, которые важнее процентного пункта точности.

Сначала правило: один шлюз на организацию

Каждая ИИ-функция InterMIND — итоги встреч, краткие содержания документов, помощник для письма, 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 всегда в собственном тенанте InterMIND. Логику этого решения мы объяснили в статье Встречи с ИИ в вашем собственном облачном шлюзе: для большинства организаций такой шлюз уже входит в утверждённый список субпроцессоров, поэтому ИИ-функция не добавляет в список новую компанию.

Распознавание речи для голосовых заметок сегодня подчиняется тому же правилу на шлюзе по умолчанию. При этом у каждого из трёх шлюзов рядом с языковыми моделями есть речевой сервис. Именно их мы и измеряем в этой статье:

Во всех случаях системе распознавания сообщается собственный язык говорящего — тот, который участник указал в профиле. В наших тестах автоматическое определение языка оказалось ненадёжным на коротких записях: четырёхсекундная русская заметка была распознана как английская. Так продукт сегодня вызывает Azure, и в тесте два других сервиса вызываются так же.

Что мы измеряли

Набор. 153 записи на 17 языках: 136 реплик диалогов — два деловых диалога (переговоры по контракту и ежедневный стендап), озвученные двумя синтетическими голосами продукта на десяти языках, — плюс 17 формальных фрагментов. Это 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 — столько же, сколько настоящая голосовая заметка.

Метрика. Доля ошибок в словах (WER) относительно эталонного текста — доля слов, которые были заменены, вставлены или пропущены, — после нормализации регистра, пунктуации и пробелов; китайский и японский сравниваются посимвольно. Долю ошибок в символах мы тоже фиксировали, и она показывает ту же картину.

Стенд. Один скрипт, одна машина, один час 2026-09-16, каждая система обработала все 153 записи. Azure и Amazon Transcribe получали каждую запись целиком. Синхронное распознавание Google принимает не более 60 секунд, поэтому 17 формальных записей были разрезаны по паузам на фрагменты короче 55 секунд, а расшифровки склеены; 136 записей диалогов шли целиком. Amazon Transcribe требует подачи аудио в темпе реального времени, поэтому стенд подавал ему звук в четыре раза быстрее реального времени. Поэтому 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; каждая система вернула расшифровку для всех 153 записей.

Языки с единственной записью (только формальный фрагмент) приведены для полноты; значение по одной записи — это точка данных, а не доля.

Что говорят цифры

• В целом по набору три сервиса различаются меньше чем на один пункт: 9%, 10% и 10%. Каждая из 153 записей была расшифрована каждой системой — охват 17 языков полный 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%); он разделил первое место на английском (2%, вместе с Amazon Transcribe) и китайском (3%, вместе с Google). У Amazon Transcribe лучший результат на арабском (26% против 32% и 46%). У Google лучший результат на русском (10% против 14% и 14%), а также на португальском, венгерском и турецком.
• Арабский сложен для всех трёх. Лучший результат на арабских диалогах — одно слово из четырёх неверно. Это согласуется с тем, что мы видели в переводе: в августе 2026 мы убрали арабский из списка языков встречи, пока качество не достигнет нашей планки (сколько языков мы поддерживаем).
• Время обработки у всех трёх заметно меньше реального. Заметка в 30 секунд обрабатывается примерно за три секунды в Azure и примерно за семь в Google на этом стенде; показатель Amazon определяется темпом подачи.

Почему Azure AI Speech остаётся сервисом по умолчанию

Три причины, в том порядке, в каком они решили дело.

1. Шлюз по умолчанию — Azure. Организация, не выбравшая шлюз, запускает свои ИИ-функции на Azure OpenAI в EU Data Zone, поэтому её голосовые заметки расшифровывает Azure AI Speech в том же тенанте. Без дополнительного субпроцессора и без 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 для быстрой транскрибации.

2. Форма API подходит голосовой заметке. Голосовая заметка в InterMIND может длиться до десяти минут (голосовые заметки). Быстрая транскрибация Azure принимает запись целиком одним запросом. Синхронное распознавание Google останавливается на 60 секундах, поэтому десятиминутной заметке нужно пакетное распознавание через бакет хранилища или потоковая сессия. Amazon Transcribe работает в потоковом режиме, 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 каждой заметки.

3. Цифры этому не противоречат. При 9% против 10% и 10% ни одна система на этом наборе не настолько лучше, чтобы оправдать перенос голосовых заметок со шлюза по умолчанию. Если бы у Google или Amazon доля ошибок оказалась вдвое ниже, в этой статье было бы написано об этом.

Что это значит для организаций на Vertex AI или Bedrock

Если ваша организация выбрала шлюзом Google Vertex AI или Amazon Bedrock, ваши ИИ-функции работают там. Голосовые заметки в таких организациях сейчас приходят как запись без расшифровки: мы измерили Google Cloud Speech-to-Text и Amazon Transcribe, как показано в этой статье, но пока не подключили их к продукту. Разрешения и код интеграции готовы; статья будет обновлена, когда они окажутся на пути каждой заметки. До тех пор голосовая заметка в организации на Vertex AI или Bedrock — это воспроизводимая запись; организация, переключившая шлюз на Azure, получает расшифровки для заметок, отправленных с этого момента.

FAQ

Какой сервис распознавания речи использует InterMIND?

Для голосовых заметок в чате — Azure AI Speech (API быстрой транскрибации) в собственном тенанте InterMIND в Azure в Sweden Central — речевой сервис ИИ-шлюза по умолчанию. Живая речь во встречах идёт другим путём: она обрабатывается на собственном медиадвижке InterMIND, Mind API, размещённом в OVH во Франции, и никогда не попадает в облачные речевые сервисы (где на самом деле проходит одна встреча).

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

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

Что такое доля ошибок в словах и как она считалась 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 голосовой заметки пределы ЕС?

Нет. Запись хранится в объектном хранилище InterMIND в ЕС, а речевой сервис, который её расшифровывает, 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 бы не распознавать речь на стороне клиента, в приложении, чтобы аудио вообще не покидало телефон?

Мы измерили и это — в сентябре 2026. Встроенная система распознавания Chrome с локальной обработкой распознала 0 из 17 формальных записей на языках продукта, а языковой охват клиентских систем распознавания намного уже, чем 17 языков в таблице выше. Распознавание на стороне клиента — направление, которое мы будем перемерять по мере развития платформ; сегодня путь через шлюз — единственный, который работает для каждого участника на каждом языке.

Может ли наша организация выбрать, какой речевой сервис расшифровывает её голосовые заметки?

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

Какой длины может быть голосовая заметка и ограничивает ли её API?

До десяти минут. Быстрая транскрибация Azure принимает файлы до 5 часов и 500 МБ в одном запросе, поэтому заметка расшифровывается одним вызовом. Синхронное распознавание Google принимает 60 секунд и 10 МБ, поэтому стенд разрезал длинные записи на фрагменты по паузам.

Почему системе распознавания сообщают язык говорящего, а не определяют его автоматически?

Потому что голосовая заметка короткая. На четырёхсекундной записи автоматическое определение языка может вернуть неверный язык — русская тестовая заметка была распознана как английская; язык из профиля участника почти всегда верен. Система распознавания получает именно этот язык, и только когда он неизвестен, ей передаются языки комнаты как кандидаты.

Аудио встречи расшифровывается тем же сервисом?

Нет. Живая речь во встрече распознаётся и переводится на собственном движке InterMIND (Mind API) на медиасервере, который передаёт звонок и размещён в OVH во Франции — см. где на самом деле проходит одна встреча. Облачный шлюз видит текст, но никогда не видит аудио звонка (ИИ во встречах в вашем собственном шлюзе).

Будете ли вы публиковать результаты снова?

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

Попробуйте сами

• Прочитайте, как работают голосовые заметки — запись, лимит в десять минут и куда уходит аудио.
• Посмотрите список субпроцессоров — вендор, страна, назначение и регион для каждой стороны, которая обрабатывает ваши данные.
• Попробуйте живое демо — рабочий конвейер перевода на вашем собственном аудио, без регистрации.

Источники: Microsoft — быстрая транскрибация Azure AI Speech (learn.microsoft.com) и таблица регионов Speech (learn.microsoft.com); Google Cloud — модель Chirp 3 (docs.cloud.google.com), лимиты 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.