Azure AI Speech vs Google Chirp 3 vs Amazon Transcribe på 153 röstmeddelanden: varför InterMIND kör tal-till-text på din organisations egen molngateway (2026)

Ett röstmeddelande i en InterMIND-kanal blir ett textmeddelande som varje kollega läser på sitt eget språk. Det första steget är tal-till-text, och frågan som värdens egen IT-avdelning eller en kunds granskare ställer är inte "hur träffsäkert är det" utan "vems tjänst är det, och vart tar ljudet vägen".

Det korta svaret: Azure AI Speech, taltjänsten i standardgatewayen för AI, i InterMINDs egen Azure-tenant i Sweden Central. Dessutom har vi mätt taltjänsterna i de två andra gateways som en organisation kan välja, på exakt samma klipp, så att valet blir en siffra och inte en preferens. Det här inlägget visar siffrorna bakom valet: samma 153 klipp genom Azure AI Speech, Google Cloud Speech-to-Text och Amazon Transcribe samma dag. Det tar också upp de två fakta om varje API som väger tyngre än en procentenhet träffsäkerhet.

Regeln först: en gateway per organisation

Varje AI-funktion i InterMIND (mötessammanfattningar, dokumentsammanfattningar, skrivassistenten, Ask AI och Mia i mötet) körs på en språkmodellsgateway som organisationen väljer. Som standard är det Azure OpenAI i EU Data Zone. Man kan välja Google Vertex AI på EU:s multiregionala endpoint eller Amazon Bedrock i Frankfurt, alla i InterMINDs egen tenant. Resonemanget förklarade vi i Meeting AI on your own cloud gateway: för de flesta organisationer finns den gatewayen redan på listan över godkända underbiträden, så en AI-funktion lägger inte till något nytt företag på listan.

Tal-till-text för röstmeddelanden följer i dag samma regel på standardgatewayen. Var och en av de tre gatewayerna har en taltjänst bredvid sina språkmodeller, och det är den vi mäter här:

Igenkänningen får i alla fall veta talarens eget språk, det språk som en medlem har angett i sin profil. Automatisk språkidentifiering visade sig nämligen opålitlig på korta klipp i våra tester: ett rysskt meddelande på fyra sekunder kom tillbaka som engelska. Så anropar produkten Azure i dag, och testet anropar de andra två på samma sätt.

Vad vi mätte

Underlaget. 153 klipp på 17 språk: 136 dialogturer plus 17 formella texter. Dialogturerna kommer från två affärsdialoger (en kontraktsförhandling och ett dagligt stand-up-möte) som produktens två syntetiska röster talar på tio språk. De formella texterna är affärsmeningar ur FLORES-200 från vår offentliga översättningsbenchmark, upplästa av en syntetisk röst, ett klipp per språk och 71 till 109 sekunder långt. Dialogturerna är 3 till 30 sekunder, alltså lika långa som ett verkligt röstmeddelande.

Måttet. Ordfelsfrekvens (WER) mot referenstexten, det vill säga andelen ord som ersatts, lagts till eller tagits bort, efter normalisering av skiftläge, skiljetecken och blanksteg. Kinesiska och japanska jämförs per tecken. Teckenfelsfrekvens registrerades också och visar samma bild.

Testmiljön. Ett skript, en dator, en timme den 2026-09-16, där varje motor körde alla 153 klipp. Azure och Amazon Transcribe fick varje klipp i sin helhet. Googles synkrona igenkänning tar högst 60 sekunder, så de 17 formella klippen delades vid tystnader i delar under 55 sekunder och transkripten fogades ihop. De 136 dialogklippen gick in hela. Amazon Transcribe vill ha ljud i realtidstakt, så testmiljön matade det fyra gånger snabbare än realtid. Latenssiffran nedan är därför ett golv som sätts av matningen, inte av tjänsten.

Vad det här inte är. Syntetiska röster i tyst ljud, inte fältinspelningar från en telefon i en bil. En dag, en körning per klipp. Det är en jämförelse på det ljud som vår egen översättningskedja testas på, på de språk våra användare skriver på. Det är ingen rankinglista.

Resultat: ordfelsfrekvens per språk

Genomsnittlig WER på klippen för varje språk. Varje motor returnerade ett transkript för alla 153 klipp.

Språk med ett enda klipp (bara den formella texten) visas för fullständighetens skull. En siffra från ett klipp är en datapunkt, inte en frekvens.

Vad siffrorna säger

• På hela underlaget ligger de tre tjänsterna inom en procentenhet från varandra: 9 %, 10 % och 10 %. Alla 153 klipp kom tillbaka med ett transkript från varje motor, så täckningen av de 17 språken är fullständig hos alla tre.
• Skillnaderna finns per språk, och de går åt båda håll. Azure hade lägst felfrekvens på franska (5 % mot 11 % och 12 %) och tyska (7 % mot 9 % och 13 %), och delade lägsta plats på engelska (2 %, med Amazon Transcribe) och kinesiska (3 %, med Google). Amazon Transcribe hade lägst på arabiska (26 % mot 32 % och 46 %). Google hade lägst på ryska (10 % mot 14 % och 14 %), portugisiska, ungerska och turkiska.
• Arabiska är svårt för alla tre. Det bästa resultatet på de arabiska dialogklippen är ett ord av fyra fel. Det stämmer med vad vi såg på översättningssidan, där vi i augusti 2026 drog tillbaka arabiska från språkväljaren för möten tills kvaliteten når vår nivå (hur många språk vi stöder).
• Bearbetningstiden ligger klart under realtid hos alla tre. Ett meddelande på 30 sekunder tar ungefär tre sekunder på Azure och ungefär sju på Google i den här testmiljön. Amazons siffra domineras av den taktade matningen.

Varför Azure AI Speech förblir standard

Tre skäl, i den ordning de avgjorde saken.

1. Standardgatewayen är Azure. En organisation som inte har valt gateway kör sina AI-funktioner på Azure OpenAI i EU Data Zone, så dess röstmeddelanden transkriberas av Azure AI Speech i samma tenant. Inget ytterligare underbiträde, ingen ytterligare region. Microsoft uppger att Azure Speech inte lagrar eller bearbetar data utanför Speech-resursens region (sidan om regioner, kontrollerad i september 2026). Vår resurs ligger i Sweden Central, som är listad för fast transcription.

2. API:ets form passar ett röstmeddelande. Ett röstmeddelande i InterMIND kan vara upp till tio minuter långt (röstmeddelanden). Azures fast transcription tar hela inspelningen i en enda förfrågan. Googles synkrona igenkänning stannar vid 60 sekunder, så ett meddelande på tio minuter kräver batchigenkänning via en lagringsbucket eller en streamingsession. Amazon Transcribe streamar men tar PCM, FLAC eller Ogg-Opus i stället för de format som telefoner och webbläsare spelar in i, så ljudet måste först omkodas. Båda går att lösa, och testmiljön löser dem, men det blir fler rörliga delar i vägen för varje meddelande.

3. Siffrorna talar inte emot det. Vid 9 % mot 10 % och 10 % är ingen motor i det här underlaget så mycket bättre att det motiverar att flytta röstmeddelanden från standardgatewayen. Om Google eller Amazon hade kommit in på hälften så hög felfrekvens hade det här inlägget sagt det.

Vad det här betyder för organisationer på Vertex AI eller Bedrock

Om din organisation har valt Google Vertex AI eller Amazon Bedrock som gateway körs dess AI-funktioner där. Röstmeddelanden i de organisationerna kommer för närvarande som en inspelning utan transkript: vi har mätt Google Cloud Speech-to-Text och Amazon Transcribe, som det här inlägget visar, men inte kopplat in dem i produkten ännu. Behörigheterna och integrationskoden finns. Det här inlägget uppdateras när de ligger i vägen för varje meddelande. Tills dess är ett röstmeddelande i en Vertex AI- eller Bedrock-organisation en spelbar inspelning. En organisation som byter sin gateway till Azure får transkript på de meddelanden som skickas därefter.

FAQ

Vilken tal-till-text-tjänst använder InterMIND?

För röstmeddelanden i chatten används Azure AI Speech (fast transcription API) i InterMINDs egen Azure-tenant i Sweden Central, taltjänsten i standardgatewayen för AI. Live-tal i möten är en annan väg: det körs på InterMINDs egen mediemotor, Mind API, som ligger hos OVH i Frankrike, och berör aldrig en molnbaserad taltjänst (var ett möte körs).

Är Azure AI Speech träffsäkrare än Google Speech-to-Text eller Amazon Transcribe?

På vårt underlag med 153 röstmeddelandeklipp på 17 språk, mätt samma dag med samma testmiljö, hade Azure AI Speech en genomsnittlig ordfelsfrekvens på 9 %, Google Cloud Speech-to-Text (Chirp 3) 10 % och Amazon Transcribe 10 %. Per språk ändras ordningen: Azure var lägst på franska, engelska och kinesiska, Amazon Transcribe på arabiska och Google på ryska. På en annan uppsättning inspelningar kan rangordningen se annorlunda ut. Tabellen ovan är beviset för vår.

Vad är ordfelsfrekvens, och hur beräknades den här?

Ordfelsfrekvens är antalet ersatta, tillagda och borttagna ord dividerat med antalet ord i referenstexten. Vi normaliserar skiftläge, skiljetecken och blanksteg före jämförelsen, och jämför kinesiska och japanska per tecken eftersom de skriftsystemen inte separerar ord med blanksteg. En frekvens på 9 % betyder ungefär att ett ord av elva skiljer sig från referensen.

Lämnar ljudet från ett röstmeddelande EU?

Nej. Inspelningen lagras i InterMINDs objektlagring i EU, och taltjänsten som transkriberar den körs i en EU-region: Sweden Central på Azure, multiregionen eu på Google Cloud och Frankfurt på AWS. Den fullständiga listan över parter och regioner finns på sidan för underbiträden och på trust-sidan.

Varför inte känna igen tal på klientsidan, i appen, så att ljudet aldrig lämnar telefonen?

Det har vi också mätt, i september 2026. Chromes inbyggda igenkänning med lokal bearbetning kände igen 0 av 17 formella klipp över produktens språk, och språktäckningen hos igenkänning på klientsidan är långt snävare än de 17 språken i tabellen ovan. Igenkänning på klientsidan är en riktning vi mäter om allteftersom plattformarna förbättras. I dag är gatewayvägen den som fungerar för varje medlem på varje språk.

Kan vår organisation välja vilken taltjänst som transkriberar dess röstmeddelanden?

Inte separat: AI-gatewayen är det en organisationsadministratör väljer på sidan Integrations. På standardgatewayen transkriberas röstmeddelanden av Azure AI Speech. På Vertex AI och Amazon Bedrock transkriberas röstmeddelanden ännu inte, se avsnittet ovan.

Hur långt kan ett röstmeddelande vara, och begränsar API:et det?

Upp till tio minuter. Azures fast transcription tar emot filer på upp till 5 timmar och 500 MB i en enda förfrågan, så ett meddelande transkriberas i ett enda anrop. Googles synkrona igenkänning tar 60 sekunder och 10 MB, vilket är anledningen till att testmiljön delade de långa klippen vid tystnader.

Varför får igenkänningen veta talarens språk i stället för att identifiera det?

För att ett röstmeddelande är kort. På ett klipp på fyra sekunder kan automatisk språkidentifiering ge fel språk: ett ryskt testmeddelande kom tillbaka som engelska. En medlems profilspråk stämmer nästan varje gång. Igenkänningen får det språket, och först när det är okänt får den rummets språk som kandidater.

Transkriberas mötesljudet av samma tjänst?

Nej. Live-tal i ett möte känns igen och översätts på InterMINDs egen motor (Mind API) på mediaservern som bär samtalet, hos OVH i Frankrike, se var ett möte körs. Molngatewayen ser text, aldrig ljudet från ett samtal (meeting AI on your own gateway).

Kommer ni att publicera resultaten igen?

Testmiljön körs med ett enda kommando och alla motorers behörigheter finns på plats, så tabellen kan mätas om när en leverantör släpper en ny modell. När det ändrar bilden uppdateras det här inlägget med datum.

Se själv

• Läs hur röstmeddelanden fungerar — inspelning, tiominutersgränsen och vart ljudet tar vägen.
• Se listan över underbiträden — leverantör, land, syfte och region för varje part som behandlar dina data.
• Prova livedemon — den skarpa översättningskedjan på ditt eget ljud, utan registrering.

Källor: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) och tabellen över Speech-regioner (learn.microsoft.com); Google Cloud — modellen Chirp 3 (docs.cloud.google.com), gränser för synkron igenkänning (docs.cloud.google.com) och språk som stöds (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpoints och kvoter (docs.aws.amazon.com) och språk som stöds (docs.aws.amazon.com); alla kontrollerade i september 2026. Mätning: InterMIND speech bench, 2026-09-16, 153 klipp, 17 språk.