Azure AI Speech เทียบกับ Google Chirp 3 และ Amazon Transcribe บนข้อความเสียง 153 รายการ: เหตุผลที่ InterMIND ใช้การแปลงเสียงเป็นข้อความผ่านเกตเวย์คลาวด์ขององค์กรคุณเอง (2026)

ข้อความเสียงในช่องของ InterMIND จะกลายเป็นข้อความตัวอักษรที่เพื่อนร่วมทีมทุกคนอ่านได้ในภาษาของตนเอง ขั้นตอนแรกคือการแปลงเสียงเป็นข้อความ (speech-to-text) คำถามที่ทีม IT และผู้ตรวจสอบด้านคอมไพลแอนซ์ถามเรามักไม่ใช่ "แม่นยำแค่ไหน" แต่เป็น "บริการนี้เป็นของใคร และเสียงถูกส่งไปที่ใด"

คำตอบสั้น ๆ คือ Azure AI Speech ซึ่งเป็นบริการเสียงของเกตเวย์ AI เริ่มต้น ทำงานใน Azure tenant ของ InterMIND เองที่ Sweden Central ส่วนอีกสองเกตเวย์ที่องค์กรเลือกใช้ได้ก็มีบริการเสียงของตนเอง เราวัดทั้งหมดบนคลิปชุดเดียวกัน เพื่อให้การเลือกเป็นตัวเลข ไม่ใช่ความชอบส่วนตัว บทความนี้นำเสนอตัวเลขเบื้องหลังการตัดสินใจนั้น โดยนำคลิปเดิม 153 รายการผ่าน Azure AI Speech, Google Cloud Speech-to-Text และ Amazon Transcribe ในวันเดียวกัน พร้อมข้อเท็จจริงสองข้อเกี่ยวกับแต่ละ API ที่สำคัญกว่าความแม่นยำที่ต่างกันเพียงหนึ่งจุดเปอร์เซ็นต์

กฎมาก่อน: หนึ่งองค์กร หนึ่งเกตเวย์

ฟีเจอร์ AI ทุกอย่างใน InterMIND ทั้งสรุปการประชุม สรุปเอกสาร ผู้ช่วยเขียน Ask AI และ Mia ในการประชุม ทำงานบนเกตเวย์โมเดลภาษาเดียวที่องค์กรเป็นผู้เลือก ค่าเริ่มต้นคือ Azure OpenAI ใน EU Data Zone ส่วนตัวเลือกอื่นคือ Google Vertex AI บน endpoint แบบ EU multi-region หรือ Amazon Bedrock ที่ Frankfurt โดยแต่ละตัวทำงานใน tenant ของ InterMIND เอง เราอธิบายเหตุผลไว้ใน Meeting AI on your own cloud gateway สำหรับองค์กรส่วนใหญ่ เกตเวย์นั้นอยู่ในรายชื่อ sub-processor ที่อนุมัติไว้แล้ว ฟีเจอร์ AI จึงไม่ทำให้มีบริษัทใหม่เพิ่มในรายชื่อ

ปัจจุบันการแปลงเสียงเป็นข้อความสำหรับข้อความเสียงเป็นไปตามกฎเดียวกันบนเกตเวย์เริ่มต้น และทั้งสามเกตเวย์ต่างมีบริการเสียงควบคู่กับโมเดลภาษาของตน ซึ่งเป็นสิ่งที่บทความนี้วัด:

ในทุกกรณี ตัวรู้จำเสียงจะได้รับแจ้งภาษาของผู้พูดเอง ซึ่งคือภาษาที่สมาชิกตั้งไว้ในโปรไฟล์ เพราะในการทดสอบของเรา การระบุภาษาอัตโนมัติไม่น่าเชื่อถือกับคลิปสั้น ข้อความภาษารัสเซียความยาวสี่วินาทีถูกถอดออกมาเป็นภาษาอังกฤษ นี่คือวิธีที่ผลิตภัณฑ์เรียกใช้ Azure ในปัจจุบัน และการทดสอบก็เรียกอีกสองบริการด้วยวิธีเดียวกัน

สิ่งที่เราวัด

ชุดข้อมูล คลิป 153 รายการใน 17 ภาษา ประกอบด้วยบทสนทนา 136 ตา คือบทสนทนาธุรกิจสองชุด (การเจรจาสัญญาและสแตนด์อัปประจำวัน) ที่พูดโดยเสียงสังเคราะห์สองเสียงของผลิตภัณฑ์ใน 10 ภาษา บวกข้อความทางการ 17 ชิ้น ซึ่งเป็นประโยคธุรกิจ FLORES-200 จากเกณฑ์เปรียบเทียบการแปลสาธารณะของเรา อ่านโดยเสียงสังเคราะห์ ภาษาละหนึ่งชิ้น ยาว 71 ถึง 109 วินาที ส่วนบทสนทนายาว 3 ถึง 30 วินาที ซึ่งเป็นความยาวของข้อความเสียงจริง

ตัวชี้วัด อัตราความผิดพลาดของคำ (WER) เทียบกับข้อความอ้างอิง คือสัดส่วนของคำที่ถูกแทนที่ แทรก หรือตกหล่น หลังปรับตัวพิมพ์ใหญ่เล็ก เครื่องหมายวรรคตอน และช่องว่างให้เป็นมาตรฐาน ภาษาจีนและญี่ปุ่นเปรียบเทียบรายตัวอักษร เรายังบันทึกอัตราความผิดพลาดของตัวอักษรไว้ด้วย ซึ่งให้ภาพเดียวกัน

ชุดทดสอบ สคริปต์เดียว เครื่องเดียว หนึ่งชั่วโมงในวันที่ 2026-09-16 โดยแต่ละเอนจินรันครบทั้ง 153 คลิป Azure และ Amazon Transcribe รับแต่ละคลิปทั้งไฟล์ ส่วนตัวรู้จำเสียงแบบซิงโครนัสของ Google รับได้สูงสุด 60 วินาที เราจึงตัดคลิปทางการ 17 รายการตามช่วงเงียบเป็นชิ้นละไม่เกิน 55 วินาทีแล้วนำข้อความมาต่อกัน ส่วนคลิปบทสนทนา 136 รายการส่งทั้งไฟล์ Amazon Transcribe ต้องการเสียงในจังหวะเรียลไทม์ ชุดทดสอบจึงป้อนเสียงเร็วกว่าเรียลไทม์สี่เท่า ตัวเลขเวลาแฝงของมันด้านล่างจึงเป็นค่าต่ำสุดที่ถูกกำหนดโดยการป้อนเสียง ไม่ใช่ค่าของบริการ

ข้อจำกัดของการทดสอบนี้ ใช้เสียงสังเคราะห์ในสภาพเสียงเงียบ ไม่ใช่การบันทึกภาคสนามจากโทรศัพท์ในรถ ทดสอบหนึ่งวัน รันหนึ่งครั้งต่อคลิป เป็นการเปรียบเทียบบนเสียงที่ใช้ทดสอบไปป์ไลน์การแปลของเราเอง ในภาษาที่ผู้ใช้ของเราเขียน ไม่ใช่ตารางจัดอันดับ

ผลลัพธ์: อัตราความผิดพลาดของคำรายภาษา

ค่า WER เฉลี่ยบนคลิปของแต่ละภาษา ทุกเอนจินส่งข้อความกลับมาครบทั้ง 153 คลิป

ภาษาที่มีคลิปเดียว (เฉพาะข้อความทางการ) แสดงไว้เพื่อให้ครบถ้วน ตัวเลขจากหนึ่งคลิปเป็นเพียงจุดข้อมูล ไม่ใช่อัตราที่เชื่อถือได้

ตัวเลขบอกอะไร

• ทั้งชุดข้อมูล สามบริการต่างกันไม่เกินหนึ่งจุดเปอร์เซ็นต์: 9%, 10% และ 10% ทั้ง 153 คลิปได้ข้อความกลับมาจากทุกเอนจิน ความครอบคลุมทั้ง 17 ภาษาครบถ้วนทั้งสามบริการ
• ความต่างอยู่ที่รายภาษา และเป็นไปทั้งสองทาง Azure มีอัตราความผิดพลาดต่ำที่สุดในภาษาฝรั่งเศส (5% เทียบกับ 11% และ 12%) และเยอรมัน (7% เทียบกับ 9% และ 13%) และเสมอกันในอันดับต่ำสุดในภาษาอังกฤษ (2% เท่ากับ Amazon Transcribe) และจีน (3% เท่ากับ Google) Amazon Transcribe ต่ำที่สุดในภาษาอาหรับ (26% เทียบกับ 32% และ 46%) Google ต่ำที่สุดในภาษารัสเซีย (10% เทียบกับ 14% และ 14%) รวมถึงโปรตุเกส ฮังการี และตุรกี
• ภาษาอาหรับยากสำหรับทั้งสามบริการ ผลลัพธ์ที่ดีที่สุดบนคลิปบทสนทนาภาษาอาหรับคือผิดหนึ่งคำในทุกสี่คำ ซึ่งสอดคล้องกับที่เราพบในฝั่งการแปล ที่เราถอนภาษาอาหรับออกจากตัวเลือกภาษาในการประชุมเมื่อสิงหาคม 2026 จนกว่าคุณภาพจะผ่านเกณฑ์ของเรา (เรารองรับกี่ภาษา)
• เวลาประมวลผลเร็วกว่าเรียลไทม์มากทั้งสามบริการ ข้อความเสียงยาว 30 วินาทีใช้เวลาประมาณสามวินาทีบน Azure และประมาณเจ็ดวินาทีบน Google ในชุดทดสอบนี้ ส่วนตัวเลขของ Amazon ถูกกำหนดโดยการป้อนเสียงตามจังหวะ

เหตุผลที่ Azure AI Speech ยังเป็นค่าเริ่มต้น

สามเหตุผล เรียงตามลำดับที่ใช้ตัดสิน

1. เกตเวย์เริ่มต้นคือ Azure องค์กรที่ยังไม่ได้เลือกเกตเวย์จะใช้ฟีเจอร์ AI บน Azure OpenAI ใน EU Data Zone ข้อความเสียงจึงถูกถอดโดย Azure AI Speech ใน tenant เดียวกัน ไม่มี sub-processor เพิ่ม ไม่มีภูมิภาคเพิ่ม Microsoft ระบุว่า Azure Speech ไม่จัดเก็บหรือประมวลผลข้อมูลนอกภูมิภาคของทรัพยากร Speech (หน้าภูมิภาค, ตรวจสอบเมื่อกันยายน 2026) ทรัพยากรของเราอยู่ที่ Sweden Central ซึ่งอยู่ในรายการที่รองรับ fast transcription

2. รูปแบบของ API เหมาะกับข้อความเสียง ข้อความเสียงใน InterMIND ยาวได้ถึงสิบนาที (ข้อความเสียง) fast transcription ของ Azure รับทั้งไฟล์ในคำขอเดียว การรู้จำแบบซิงโครนัสของ Google หยุดที่ 60 วินาที ข้อความเสียงสิบนาทีจึงต้องใช้การรู้จำแบบ batch ผ่าน storage bucket หรือเซสชันสตรีมมิง ส่วน Amazon Transcribe รองรับสตรีมมิง แต่รับ PCM, FLAC หรือ Ogg-Opus แทนรูปแบบที่โทรศัพท์และเบราว์เซอร์บันทึก จึงต้องแปลงรหัสเสียงก่อน ทั้งสองเรื่องแก้ได้ ซึ่งชุดทดสอบก็แก้ให้แล้ว แต่ทำให้มีชิ้นส่วนเพิ่มในเส้นทางของทุกข้อความ

3. ตัวเลขไม่ได้คัดค้าน ที่ 9% เทียบกับ 10% และ 10% ไม่มีเอนจินใดในชุดนี้ดีกว่าพอที่จะคุ้มกับการย้ายข้อความเสียงออกจากเกตเวย์เริ่มต้น หาก Google หรือ Amazon ทำอัตราความผิดพลาดได้ครึ่งเดียว บทความนี้ก็จะบอกอย่างนั้น

ความหมายสำหรับองค์กรที่ใช้ Vertex AI หรือ Bedrock

หากองค์กรของคุณเลือก Google Vertex AI หรือ Amazon Bedrock เป็นเกตเวย์ ฟีเจอร์ AI ของคุณก็ทำงานบนเกตเวย์นั้น ปัจจุบันข้อความเสียงในองค์กรเหล่านั้นจะเป็นไฟล์บันทึกเสียงที่ไม่มีข้อความถอด เราวัด Google Cloud Speech-to-Text และ Amazon Transcribe ดังที่บทความนี้แสดง แต่ยังไม่ได้เชื่อมเข้ากับผลิตภัณฑ์ สิทธิ์การเข้าถึงและโค้ดการเชื่อมต่อมีอยู่แล้ว บทความนี้จะอัปเดตเมื่อบริการเหล่านั้นอยู่ในเส้นทางของทุกข้อความ จนกว่าจะถึงตอนนั้น ข้อความเสียงในองค์กรที่ใช้ Vertex AI หรือ Bedrock จะเป็นไฟล์เสียงที่เล่นฟังได้ ส่วนองค์กรที่เปลี่ยนเกตเวย์เป็น Azure จะได้ข้อความถอดสำหรับข้อความที่ส่งตั้งแต่เวลานั้นเป็นต้นไป

คำถามที่พบบ่อย

InterMIND ใช้บริการแปลงเสียงเป็นข้อความตัวใด

สำหรับข้อความเสียงในแชต ใช้ Azure AI Speech (fast transcription API) ใน Azure tenant ของ InterMIND เองที่ Sweden Central ซึ่งเป็นบริการเสียงของเกตเวย์ AI เริ่มต้น เสียงพูดสดในการประชุมเป็นอีกเส้นทางหนึ่ง โดยทำงานบนเอนจินสื่อของ InterMIND เอง คือ Mind API ซึ่งโฮสต์ที่ OVH ในฝรั่งเศส และไม่เคยสัมผัสบริการเสียงบนคลาวด์ (การประชุมหนึ่งครั้งทำงานที่ไหน)

Azure AI Speech แม่นยำกว่า Google Speech-to-Text หรือ Amazon Transcribe หรือไม่

บนชุดข้อความเสียง 153 คลิปใน 17 ภาษาของเรา ซึ่งวัดในวันเดียวกันด้วยชุดทดสอบเดียวกัน Azure AI Speech มี WER เฉลี่ย 9% Google Cloud Speech-to-Text (Chirp 3) 10% และ Amazon Transcribe 10% เมื่อดูรายภาษา ลำดับเปลี่ยนไป Azure ต่ำที่สุดในภาษาฝรั่งเศส อังกฤษ และจีน Amazon Transcribe ในภาษาอาหรับ และ Google ในภาษารัสเซีย บนชุดไฟล์บันทึกเสียงอื่น การจัดอันดับอาจต่างออกไป ตารางด้านบนคือหลักฐานสำหรับชุดของเรา

WER คืออะไร และคำนวณอย่างไรในที่นี้

WER คือจำนวนคำที่ถูกแทนที่ แทรก และตกหล่น หารด้วยจำนวนคำในข้อความอ้างอิง เราปรับตัวพิมพ์ใหญ่เล็ก เครื่องหมายวรรคตอน และช่องว่างให้เป็นมาตรฐานก่อนเปรียบเทียบ และเปรียบเทียบภาษาจีนและญี่ปุ่นรายตัวอักษร เพราะระบบการเขียนเหล่านี้ไม่คั่นคำด้วยช่องว่าง อัตรา 9% หมายความว่าประมาณหนึ่งคำในสิบเอ็ดคำต่างจากข้อความอ้างอิง

เสียงของข้อความเสียงออกนอก EU หรือไม่

ไม่ออก ไฟล์บันทึกเสียงถูกเก็บใน object storage ของ InterMIND ใน EU และบริการเสียงที่ถอดข้อความทำงานในภูมิภาคของ EU ได้แก่ Sweden Central บน Azure, eu multi-region บน Google Cloud และ Frankfurt บน AWS รายชื่อผู้ประมวลผลและภูมิภาคทั้งหมดอยู่ในหน้า subprocessorsและหน้า trust

ทำไมไม่รู้จำเสียงฝั่งไคลเอนต์ในแอป เพื่อให้เสียงไม่ออกจากโทรศัพท์เลย

เราวัดเรื่องนี้ด้วยเช่นกัน เมื่อกันยายน 2026 ตัวรู้จำเสียงในตัวของ Chrome ที่ประมวลผลในเครื่องรู้จำได้ 0 จาก 17 คลิปทางการข้ามภาษาของผลิตภัณฑ์ และความครอบคลุมภาษาของตัวรู้จำฝั่งไคลเอนต์แคบกว่า 17 ภาษาในตารางข้างต้นมาก การรู้จำฝั่งไคลเอนต์เป็นแนวทางที่เราจะวัดซ้ำเมื่อแพลตฟอร์มพัฒนาขึ้น แต่ทุกวันนี้เส้นทางผ่านเกตเวย์คือเส้นทางที่ใช้งานได้สำหรับสมาชิกทุกคนในทุกภาษา

องค์กรของเราเลือกได้หรือไม่ว่าบริการเสียงใดจะถอดข้อความเสียง

เลือกแยกต่างหากไม่ได้ สิ่งที่ผู้ดูแลระบบองค์กรเลือกในหน้า Integrations คือเกตเวย์ AI บนเกตเวย์เริ่มต้น ข้อความเสียงจะถูกถอดโดย Azure AI Speech ส่วน Vertex AI และ Amazon Bedrock ยังไม่มีการถอดข้อความเสียง ดูหัวข้อด้านบน

ข้อความเสียงยาวได้เท่าใด และ API จำกัดหรือไม่

ยาวได้ถึงสิบนาที fast transcription ของ Azure รับไฟล์ได้ถึง 5 ชั่วโมงและ 500 MB ในคำขอเดียว ข้อความเสียงจึงถูกถอดในการเรียกครั้งเดียว ส่วนการรู้จำแบบซิงโครนัสของ Google รับได้ 60 วินาทีและ 10 MB ซึ่งเป็นเหตุผลที่ชุดทดสอบตัดคลิปยาวเป็นชิ้นตามช่วงเงียบ

ทำไมจึงแจ้งภาษาของผู้พูดให้ตัวรู้จำเสียง แทนที่จะให้ตรวจจับเอง

เพราะข้อความเสียงสั้น บนคลิปสี่วินาที การระบุภาษาอัตโนมัติอาจคืนภาษาผิด เช่น ข้อความทดสอบภาษารัสเซียถูกถอดเป็นภาษาอังกฤษ ในขณะที่ภาษาในโปรไฟล์ของสมาชิกถูกต้องเกือบทุกครั้ง ตัวรู้จำจึงได้รับภาษานั้น และจะได้รับภาษาของห้องเป็นตัวเลือกก็ต่อเมื่อไม่ทราบภาษาของผู้พูดเท่านั้น

เสียงในการประชุมถูกถอดโดยบริการเดียวกันหรือไม่

ไม่ใช่ เสียงพูดสดในการประชุมถูกรู้จำและแปลบนเอนจินของ InterMIND เอง (Mind API) บนเซิร์ฟเวอร์สื่อที่รับสายประชุม ซึ่งโฮสต์ที่ OVH ในฝรั่งเศส ดูการประชุมหนึ่งครั้งทำงานที่ไหน เกตเวย์บนคลาวด์เห็นเฉพาะข้อความ ไม่เคยเห็นเสียงของสายประชุม (meeting AI on your own gateway)

คุณจะเผยแพร่ผลอีกหรือไม่

ชุดทดสอบรันได้ด้วยคำสั่งเดียว และสิทธิ์การเข้าถึงของทุกเอนจินพร้อมแล้ว จึงวัดตารางซ้ำได้เมื่อผู้ให้บริการออกโมเดลใหม่ เมื่อใดที่ผลเปลี่ยนภาพรวม บทความนี้จะถูกอัปเดตพร้อมวันที่

ลองด้วยตัวคุณเอง

• อ่านวิธีการทำงานของข้อความเสียง — การบันทึก ขีดจำกัดสิบนาที และเสียงไปที่ใด
• ดูรายชื่อ subprocessors — ผู้ให้บริการ ประเทศ วัตถุประสงค์ และภูมิภาคของทุกฝ่ายที่ประมวลผลข้อมูลของคุณ
• ลองใช้เดโมสด — ไปป์ไลน์การแปลเวอร์ชันใช้งานจริงบนเสียงของคุณเอง ไม่ต้องสมัคร

แหล่งที่มา: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) และตารางภูมิภาคของ Speech (learn.microsoft.com); Google Cloud — โมเดล Chirp 3 (docs.cloud.google.com), ข้อจำกัดของการรู้จำแบบซิงโครนัส (docs.cloud.google.com) และภาษาที่รองรับ (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpoints และโควตา (docs.aws.amazon.com) และภาษาที่รองรับ (docs.aws.amazon.com); ตรวจสอบทั้งหมดเมื่อกันยายน 2026 การวัด: InterMIND speech bench, 2026-09-16, 153 คลิป, 17 ภาษา