Azure AI Speech proti Google Chirp 3 proti Amazon Transcribe na 153 glasovnih sporočilih: zakaj InterMIND pretvorbo govora v besedilo izvaja prek lastnega prehoda v oblak vaše organizacije (2026)

Glasovno sporočilo v kanalu InterMIND postane besedilno sporočilo, ki ga vsak sodelavec bere v svojem jeziku. Prvi korak je pretvorba govora v besedilo, vprašanje, ki ga postavi gostiteljev IT ali naročnikov presojevalec, pa ni »kako natančno je«, ampak »čigava je storitev in kam gre zvok«.

Kratek odgovor: Azure AI Speech, govorna storitev privzetega AI prehoda, v InterMINDovem lastnem okolju Azure na Švedskem (Sweden Central). Poleg tega govorni storitvi drugih dveh prehodov, med katerima lahko organizacija izbira, izmerjeni na istih posnetkih, tako da je izbira številka in ne preferenca. Ta prispevek prikazuje številke za to izbiro: istih 153 posnetkov, poslanih na isti dan skozi Azure AI Speech, Google Cloud Speech-to-Text in Amazon Transcribe. Predstavi tudi dve dejstvi o vsakem API-ju, ki sta pomembnejši od odstotne točke natančnosti.

Najprej pravilo: en prehod na organizacijo

Vsaka funkcija umetne inteligence v InterMIND, torej povzetki sestankov, povzetki dokumentov, pomočnik za pisanje, Ask AI in Mia na sestanku, teče prek enega prehoda jezikovnih modelov, ki ga izbere organizacija. Privzeto je to Azure OpenAI v podatkovni coni EU, po izbiri pa Google Vertex AI na večregijski končni točki EU ali Amazon Bedrock v Frankfurtu, vsak v InterMINDovem lastnem najemniškem okolju. Razloge smo pojasnili v prispevku Sestanki z umetno inteligenco na vašem lastnem prehodu v oblak: pri večini organizacij je ta prehod že na odobrenem seznamu podobdelovalcev, zato funkcija umetne inteligence na seznam ne doda nobenega novega podjetja.

Pretvorba govora v besedilo za glasovna sporočila danes na privzetem prehodu sledi istemu pravilu, vsak od treh prehodov pa ima poleg jezikovnih modelov tudi govorno storitev. Prav to ta prispevek meri:

Razpoznavalniku v vseh primerih povemo govorčev lastni jezik, torej jezik, ki ga je član nastavil v profilu, ker se je samodejno prepoznavanje jezika v naših testih na kratkih posnetkih izkazalo za nezanesljivo: štirisekundno rusko sporočilo se je vrnilo kot angleško. Tako izdelek danes kliče Azure, test pa na enak način kliče še preostala dva.

Kaj smo izmerili

Nabor. 153 posnetkov v 17 jezikih: 136 dialoških replik, tj. dva poslovna dialoga (pogajanje o pogodbi in dnevni stand-up), ki ju v desetih jezikih govorita dva sintetična glasova izdelka, ter 17 formalnih odlomkov, poslovnih stavkov FLORES-200 iz našega javnega prevajalskega preizkusa, ki jih bere sintetični glas, po eden na jezik, dolgih od 71 do 109 sekund. Dialoške replike trajajo od 3 do 30 sekund, kolikor traja pravo glasovno sporočilo.

Metrika. Stopnja napačnih besed (WER) glede na referenčno besedilo, tj. delež zamenjanih, vstavljenih ali izpuščenih besed, po normalizaciji velikih in malih črk, ločil in presledkov; kitajščina in japonščina se primerjata po znakih. Stopnjo napačnih znakov smo beležili vzporedno in pripoveduje isto zgodbo.

Orodje za testiranje. Ena skripta, en računalnik, ena ura dne 16. 9. 2026, vsak stroj čez vseh 153 posnetkov. Azure in Amazon Transcribe sta prejela vsak posnetek v celoti. Googlov sinhroni razpoznavalnik sprejme največ 60 sekund, zato smo 17 formalnih posnetkov razrezali pri tišinah na kose, krajše od 55 sekund, in prepise združili; 136 dialoških posnetkov je šlo v celoti. Amazon Transcribe želi zvok v realnem času, zato ga je skripta podajala štirikrat hitreje od realnega časa; spodnja vrednost zakasnitve je zato spodnja meja, ki jo določa podajanje, ne storitev.

Česa ta test ni. Sintetični glasovi v mirnem zvoku, ne terenski posnetki s telefona v avtomobilu. En dan, en prehod na posnetek. Gre za primerjavo na zvoku, na katerem testiramo lasten prevajalski cevovod, v jezikih, v katerih pišejo naši uporabniki, ne za lestvico.

Rezultati: stopnja napačnih besed po jezikih

Povprečni WER na posnetkih posameznega jezika; vsak stroj je vrnil prepis za vseh 153 posnetkov.

Jeziki z enim posnetkom (samo formalni odlomek) so prikazani zaradi popolnosti; vrednost iz enega posnetka je podatkovna točka, ne stopnja.

Kaj povedo številke

• Na celotnem naboru so tri storitve znotraj ene točke druga od druge: 9 %, 10 % in 10 %. Vsak od 153 posnetkov se je vrnil s prepisom od vsakega stroja, zato je pokritost 17 jezikov pri vseh treh popolna.
• Razlike so po jezikih in gredo v obe smeri. Azure je imel najnižjo stopnjo napak pri francoščini (5 % proti 11 % in 12 %) in nemščini (7 % proti 9 % in 13 %), pri angleščini (2 %, skupaj z Amazon Transcribe) in kitajščini (3 %, skupaj z Googlom) pa si je najnižjo vrednost delil z drugim. Amazon Transcribe je imel najnižjo pri arabščini (26 % proti 32 % in 46 %). Google je imel najnižjo pri ruščini (10 % proti 14 % in 14 %), portugalščini, madžarščini in turščini.
• Arabščina je težka za vse tri. Najboljši rezultat na arabskih dialoških posnetkih je ena napačna beseda od štirih. To se ujema s tem, kar smo videli na prevajalski strani, kjer smo avgusta 2026 umaknili arabščino iz izbirnika jezika sestanka, dokler kakovost ne doseže naše meje (koliko jezikov podpiramo).
• Čas obdelave je pri vseh treh precej pod realnim časom. 30-sekundno sporočilo v tem testu traja približno tri sekunde na Azure in približno sedem na Googlu; pri Amazonu vrednost obvladuje podajanje v določenem tempu.

Zakaj Azure AI Speech ostaja privzet

Trije razlogi, v vrstnem redu, kot so odločili.

1. Privzeti prehod je Azure. Organizacija, ki ni izbrala prehoda, izvaja funkcije umetne inteligence na Azure OpenAI v podatkovni coni EU, zato njena glasovna sporočila prepisuje Azure AI Speech v istem najemniškem okolju. Brez dodatnega podobdelovalca, brez dodatne regije. Microsoft navaja, da Azure Speech ne shranjuje in ne obdeluje podatkov zunaj regije vira Speech (stran z regijami, preverjeno septembra 2026); naš vir je v regiji Sweden Central, ki je navedena za hitro transkripcijo.

2. Oblika API-ja ustreza glasovnemu sporočilu. Glasovno sporočilo v InterMIND je lahko dolgo do deset minut (glasovna sporočila). Azurova hitra transkripcija sprejme celoten posnetek v eni zahtevi. Googlovo sinhrono razpoznavanje se ustavi pri 60 sekundah, zato deset minut dolgo sporočilo zahteva paketno razpoznavanje prek shrambe ali pretočno sejo; Amazon Transcribe pretaka, a sprejme PCM, FLAC ali Ogg-Opus namesto formatov, v katerih snemajo telefoni in brskalniki, zato je treba zvok najprej prekodirati. Oboje je rešljivo, naša skripta to reši, a to je več gibljivih delov na poti vsakega sporočila.

3. Številke ne govorijo proti temu. Pri 9 % proti 10 % in 10 % noben stroj na tem naboru ni dovolj boljši, da bi upravičil selitev glasovnih sporočil s privzetega prehoda. Če bi Google ali Amazon dosegla polovico stopnje napak, bi to povedal ta prispevek.

Kaj to pomeni za organizacije na Vertex AI ali Bedrock

Če je vaša organizacija za prehod izbrala Google Vertex AI ali Amazon Bedrock, vaše funkcije umetne inteligence tečejo tam. Glasovna sporočila v teh organizacijah trenutno prispejo kot posnetek brez prepisa: Google Cloud Speech-to-Text in Amazon Transcribe smo izmerili, kot kaže ta prispevek, a ju v izdelek še nismo povezali. Dovoljenja in integracijska koda obstajajo; ta prispevek bo posodobljen, ko bosta na poti vsakega sporočila. Do takrat je glasovno sporočilo v organizaciji na Vertex AI ali Bedrock predvajalni posnetek; organizacija, ki prehod zamenja na Azure, dobi prepise za sporočila, poslana od takrat naprej.

Pogosta vprašanja

Katero storitev za pretvorbo govora v besedilo uporablja InterMIND?

Za glasovna sporočila v klepetu Azure AI Speech (API za hitro transkripcijo) v InterMINDovem lastnem okolju Azure na Švedskem (Sweden Central), govorno storitev privzetega AI prehoda. Govor v živo na sestankih je druga pot: teče na InterMINDovem lastnem medijskem stroju, Mind API, gostovanem pri OVH v Franciji, in se nikoli ne dotakne govorne storitve v oblaku (kje teče en sestanek).

Je Azure AI Speech natančnejši od Google Speech-to-Text ali Amazon Transcribe?

Na našem naboru 153 posnetkov glasovnih sporočil v 17 jezikih, izmerjenem isti dan z istim orodjem, je imel Azure AI Speech povprečno stopnjo napačnih besed 9 %, Google Cloud Speech-to-Text (Chirp 3) 10 % in Amazon Transcribe 10 %. Po jezikih se vrstni red spremeni: Azure je bil najnižji pri francoščini, angleščini in kitajščini, Amazon Transcribe pri arabščini, Google pri ruščini. Na drugem naboru posnetkov se lahko razvrstitev razlikuje; zgornja tabela je dokaz za naš nabor.

Kaj je stopnja napačnih besed in kako je bila izračunana tukaj?

Stopnja napačnih besed je število zamenjanih, vstavljenih in izpuščenih besed, deljeno s številom besed v referenčnem besedilu. Pred primerjavo normaliziramo velike in male črke, ločila in presledke, kitajščino in japonščino pa primerjamo po znakih, ker ti pisavi besed ne ločujeta s presledki. Stopnja 9 % pomeni, da se približno ena beseda od enajstih razlikuje od reference.

Ali zvok glasovnega sporočila zapusti EU?

Ne. Posnetek je shranjen v InterMINDovi objektni shrambi v EU, govorna storitev, ki ga prepiše, pa teče v regiji EU: Sweden Central na Azure, večregija eu na Google Cloud, Frankfurt na AWS. Celoten seznam strank in regij je na strani s podobdelovalci in na strani zaupanja.

Zakaj govora ne razpoznamo na strani odjemalca, v aplikaciji, da zvok nikoli ne zapusti telefona?

Tudi to smo izmerili, septembra 2026. Vgrajeni razpoznavalnik v Chromu z lokalno obdelavo je prepoznal 0 od 17 formalnih posnetkov v jezikih izdelka, jezikovna pokritost razpoznavalnikov na strani odjemalca pa je precej ožja od 17 jezikov v zgornji tabeli. Razpoznavanje na strani odjemalca je smer, ki jo znova merimo, ko se platforme izboljšujejo; danes je pot prek prehoda tista, ki deluje za vsakega člana v vsakem jeziku.

Ali lahko naša organizacija izbere, katera govorna storitev prepisuje njena glasovna sporočila?

Ne ločeno: AI prehod je tisto, kar skrbnik organizacije izbere na strani Integracije. Na privzetem prehodu glasovna sporočila prepisuje Azure AI Speech. Na Vertex AI in Amazon Bedrock glasovna sporočila zaenkrat niso prepisana; glejte razdelek zgoraj.

Kako dolgo je lahko glasovno sporočilo in ali ga API omejuje?

Do deset minut. Azurova hitra transkripcija v eni zahtevi sprejme datoteke do 5 ur in 500 MB, zato se sporočilo prepiše z enim klicem. Googlovo sinhrono razpoznavanje sprejme 60 sekund in 10 MB, zato je skripta dolge posnetke razrezala na kose pri tišinah.

Zakaj razpoznavalniku povemo govorčev jezik, namesto da ga zazna sam?

Ker je glasovno sporočilo kratko. Na štirisekundnem posnetku lahko samodejno prepoznavanje jezika vrne napačen jezik, rusko testno sporočilo se je vrnilo kot angleško; profilni jezik člana je pravi skoraj vedno. Razpoznavalnik prejme ta jezik, šele ko je ta neznan, pa kot kandidate prejme jezike sobe.

Ali zvok sestanka prepisuje ista storitev?

Ne. Govor v živo na sestanku razpozna in prevede InterMINDov lasten stroj (Mind API) na medijskem strežniku, ki nosi klic, gostovanem pri OVH v Franciji; glejte kje teče en sestanek. Prehod v oblak vidi besedilo, nikoli zvoka klica (sestanki z umetno inteligenco na vašem lastnem prehodu).

Boste rezultate objavili ponovno?

Orodje teče z enim ukazom, dovoljenja za vse stroje pa so urejena, zato lahko tabelo ponovno izmerimo, ko ponudnik izda nov model. Ko spremeni sliko, bo ta prispevek posodobljen z datumom.

Preizkusite sami

• Preberite, kako delujejo glasovna sporočila — snemanje, desetminutna omejitev in kam gre zvok.
• Oglejte si seznam podobdelovalcev — ponudnik, država, namen in regija za vsako stranko, ki obdeluje vaše podatke.
• Preizkusite demo v živo — produkcijski prevajalski cevovod na vašem zvoku, brez registracije.

Viri: Microsoft — Azure AI Speech, hitra transkripcija (learn.microsoft.com) in tabela regij za Speech (learn.microsoft.com); Google Cloud — model Chirp 3 (docs.cloud.google.com), omejitve sinhronega razpoznavanja (docs.cloud.google.com) in podprti jeziki (docs.cloud.google.com); AWS — pretakanje v Amazon Transcribe (docs.aws.amazon.com), končne točke in kvote (docs.aws.amazon.com) in podprti jeziki (docs.aws.amazon.com); vse preverjeno septembra 2026. Meritev: InterMIND speech bench, 16. 9. 2026, 153 posnetkov, 17 jezikov.