Azure AI Speech, Google Chirp 3 ve Amazon Transcribe'in 153 sesli notta karşılaştırması: InterMIND neden konuşmayı metne çevirmeyi kuruluşunuzun kendi bulut ağ geçidinde çalıştırıyor (2026)

InterMIND kanalındaki bir sesli not, her ekip arkadaşının kendi dilinde okuduğu bir metin mesajına dönüşür. Bunun ilk adımı konuşmanın metne çevrilmesidir. Ev sahibinin kendi BT ekibinin ya da bir müşterinin denetçisinin sorduğu soru "ne kadar doğru" değil, "bu kimin servisi ve ses nereye gidiyor" sorusudur.

Kısa yanıt: Azure AI Speech, yani varsayılan yapay zekâ ağ geçidinin konuşma servisi, InterMIND'ın İsveç Central'daki kendi Azure tenant'ında çalışır. Bir kuruluşun seçebileceği diğer iki ağ geçidinin konuşma servisleri de aynı kliplerle ölçüldü; böylece tercih bir beğeni değil, bir sayı olur. Bu yazı, bu tercihin arkasındaki sayıları gösteriyor: aynı 153 klip, aynı gün Azure AI Speech, Google Cloud Speech-to-Text ve Amazon Transcribe'den geçirildi. Ayrıca her API hakkında, bir yüzde puanlık doğruluktan daha önemli olan iki gerçeği de aktarıyor.

Önce kural: kuruluş başına tek ağ geçidi

InterMIND'daki her yapay zekâ özelliği (toplantı özetleri, belge özetleri, yazma asistanı, Ask AI ve toplantıdaki Mia) kuruluşun seçtiği tek bir dil modeli ağ geçidinde çalışır. Varsayılan olarak AB Data Zone'daki Azure OpenAI kullanılır; tercihe bağlı olarak AB çoklu bölge uç noktasında Google Vertex AI veya Frankfurt'ta Amazon Bedrock seçilebilir. Her biri InterMIND'ın kendi tenant'ındadır. Gerekçeyi Kendi bulut ağ geçidinizde toplantı yapay zekâsı yazısında anlattık: çoğu kuruluşta bu ağ geçidi zaten onaylı alt işleyici listesinde yer alır, dolayısıyla bir yapay zekâ özelliği listeye yeni bir şirket eklemez.

Sesli notlarda konuşmayı metne çevirme de bugün varsayılan ağ geçidinde aynı kuralı izler. Üç ağ geçidinin her birinin dil modellerinin yanında bir konuşma servisi vardır; bu yazı da bunları ölçüyor:

Tanıyıcıya her durumda konuşanın kendi dili söylenir; bu, üyenin profilinde belirlediği dildir. Çünkü testlerimizde otomatik dil tanıma kısa kliplerde güvenilmez çıktı: dört saniyelik bir Rusça not İngilizce olarak geri geldi. Ürün Azure'u bugün bu şekilde çağırıyor, test de diğer ikisini aynı şekilde çağırdı.

Ne ölçtük

Veri seti. 17 dilde 153 klip: 136 diyalog turu ile 17 resmi pasaj. Diyalog turları, ürünün iki sentetik sesiyle on dilde konuşulan iki iş diyaloğundan (bir sözleşme müzakeresi ve bir günlük stand-up) oluşuyor. Resmi pasajlar ise herkese açık çeviri kıyaslamamızın FLORES-200 iş cümleleridir; sentetik bir sesle okunmuştur, dil başına bir tane olup 71 ila 109 saniye uzunluğundadır. Diyalog turları 3 ila 30 saniyedir, yani gerçek bir sesli notun uzunluğundadır.

Metrik. Referans metne göre kelime hata oranı (WER), yani yanlış yazılan, eklenen veya silinen kelimelerin oranı. Hesaplamadan önce büyük/küçük harf, noktalama ve boşluklar normalleştirildi; Çince ve Japonca karakter bazında karşılaştırıldı. Karakter hata oranı da kaydedildi ve aynı tabloyu gösteriyor.

Test düzeneği. Tek betik, tek makine, 2026-09-16 tarihinde bir saat; her motor 153 klibin tamamından geçirildi. Azure ve Amazon Transcribe her klibi bütün olarak aldı. Google'ın eşzamanlı tanıyıcısı en fazla 60 saniye aldığı için 17 resmi klip sessizliklerden 55 saniyenin altındaki parçalara bölündü ve transkriptler birleştirildi; 136 diyalog klibi bütün olarak gitti. Amazon Transcribe sesi gerçek zamanlı hızda ister, bu yüzden düzenek ona sesi gerçek zamandan dört kat hızlı verdi. Aşağıdaki gecikme değeri bu nedenle servisin değil, beslemenin belirlediği bir alt sınırdır.

Bu ne değildir. Sessiz ortamdaki sentetik sesler; arabadaki bir telefondan alınmış saha kayıtları değil. Tek gün, klip başına tek çalıştırma. Bu, kendi çeviri hattımızın test edildiği ses üzerinde, kullanıcılarımızın yazdığı dillerde yapılmış bir karşılaştırmadır; bir lider tablosu değildir.

Sonuçlar: dil başına kelime hata oranı

Her dilin kliplerindeki ortalama WER; her motor 153 klibin tamamı için transkript döndürdü.

Tek klibi olan diller (yalnızca resmi pasaj) bütünlük için gösterilmiştir; tek kliplik bir değer bir oran değil, bir veri noktasıdır.

Sayılar ne söylüyor

• Tüm sette üç servis birbirinin bir puan yakınında: %9, %10 ve %10. 153 klibin her biri her motordan transkriptle döndü; 17 dilin kapsamı üçünde de eksiksiz.
• Farklar dil bazında ve iki yönlü. Azure en düşük hata oranını Fransızca (%5'e karşı %11 ve %12) ve Almanca (%7'ye karşı %9 ve %13) için verdi; İngilizce (%2, Amazon Transcribe ile) ve Çincede (%3, Google ile) en düşükle berabere kaldı. Amazon Transcribe Arapçada en düşüğü verdi (%26'ya karşı %32 ve %46). Google ise Rusçada (%14 ve %14'e karşı %10), Portekizcede, Macarcada ve Türkçede en düşüğü verdi.
• Arapça üçü için de zor. Arapça diyalog kliplerindeki en iyi sonuç, dört kelimeden birinin yanlış olması demek. Bu, çeviri tarafında gördüğümüzle tutarlı: kalite çıtamızı aşana kadar Arapçayı Ağustos 2026'da toplantı dil seçicisinden çektik (kaç dili desteklediğimiz).
• İşlem süresi üçünde de gerçek zamanın epey altında. Bu düzenekte 30 saniyelik bir not Azure'da yaklaşık üç, Google'da yaklaşık yedi saniye sürüyor; Amazon değerini ise hızlandırılmış besleme belirliyor.

Azure AI Speech neden varsayılan kalıyor

Üç neden, kararı belirleyen sırayla.

1. Varsayılan ağ geçidi Azure. Ağ geçidi seçmemiş bir kuruluş yapay zekâ özelliklerini AB Data Zone'daki Azure OpenAI üzerinde çalıştırır; dolayısıyla sesli notları aynı tenant'taki Azure AI Speech ile metne çevrilir. Ek alt işleyici yok, ek bölge yok. Microsoft, Azure Speech'in veriyi Speech kaynağının bölgesi dışında saklamadığını ve işlemediğini belirtiyor (bölgeler sayfası, Eylül 2026'da kontrol edildi); kaynağımız Sweden Central'da ve bu bölge hızlı transkripsiyon için listelenmiş.

2. API yapısı bir sesli nota uyuyor. InterMIND'daki bir sesli not on dakikaya kadar uzun olabilir (sesli notlar). Azure'un hızlı transkripsiyonu kaydın tamamını tek istekte alır. Google'ın eşzamanlı tanıması 60 saniyede durur; on dakikalık bir not için bir depolama kovası üzerinden toplu tanıma ya da bir akış oturumu gerekir. Amazon Transcribe akış yapar ama telefonların ve tarayıcıların kaydettiği biçimler yerine PCM, FLAC veya Ogg-Opus alır, bu yüzden ses önce dönüştürülür. İkisi de çözülebilir (test düzeneği çözüyor), ancak her notun yolunda daha fazla hareketli parça demektir.

3. Sayılar bu tercihin aleyhine konuşmuyor. %10 ve %10'a karşı %9 ile, bu sette hiçbir motor sesli notları varsayılan ağ geçidinden çıkarmayı haklı kılacak kadar daha iyi değil. Google ya da Amazon hata oranını yarıya indirseydi, bu yazı bunu söylerdi.

Vertex AI veya Bedrock kullanan kuruluşlar için bunun anlamı

Kuruluşunuz ağ geçidi olarak Google Vertex AI veya Amazon Bedrock'u seçtiyse yapay zekâ özellikleriniz orada çalışır. Bu kuruluşlarda sesli notlar şu anda transkriptsiz bir kayıt olarak ulaşır: Google Cloud Speech-to-Text'i ve Amazon Transcribe'i bu yazıda gördüğünüz gibi ölçtük, ancak henüz ürüne bağlamadık. İzinler ve entegrasyon kodu mevcut; her notun yoluna girdiklerinde bu yazı güncellenecek. O zamana kadar Vertex AI veya Bedrock kuruluşundaki bir sesli not, oynatılabilir bir kayıttır; ağ geçidini Azure'a geçiren bir kuruluş, o andan itibaren gönderilen notlar için transkript alır.

SSS

InterMIND hangi konuşmayı metne çevirme servisini kullanıyor?

Sohbetteki sesli notlar için InterMIND'ın İsveç Central'daki kendi Azure tenant'ında Azure AI Speech (hızlı transkripsiyon API'si), yani varsayılan yapay zekâ ağ geçidinin konuşma servisi. Toplantılardaki canlı konuşma farklı bir yoldur: InterMIND'ın kendi medya motoru olan, Fransa'da OVH'de barındırılan Mind API üzerinde çalışır ve hiçbir bulut konuşma servisine dokunmaz (bir toplantının nerede çalıştığı).

Azure AI Speech, Google Speech-to-Text'ten veya Amazon Transcribe'den daha mı doğru?

17 dilde 153 sesli not klibinden oluşan setimizde, aynı gün ve aynı düzenekle ölçüldüğünde Azure AI Speech'in ortalama kelime hata oranı %9, Google Cloud Speech-to-Text'in (Chirp 3) %10 ve Amazon Transcribe'in %10 oldu. Dil bazında sıralama değişiyor: Azure Fransızca, İngilizce ve Çincede, Amazon Transcribe Arapçada, Google Rusçada en düşüktü. Farklı bir kayıt setinde sıralama değişebilir; yukarıdaki tablo bizim setimiz için kanıttır.

Kelime hata oranı nedir ve burada nasıl hesaplandı?

Kelime hata oranı, yanlış yazılan, eklenen ve silinen kelimelerin sayısının referans metindeki kelime sayısına bölünmesidir. Karşılaştırmadan önce büyük/küçük harfi, noktalamayı ve boşlukları normalleştiriyoruz; Çince ve Japoncayı ise bu yazı sistemleri kelimeleri boşlukla ayırmadığı için karakter bazında karşılaştırıyoruz. %9'luk bir oran, kabaca on bir kelimeden birinin referanstan farklı olduğu anlamına gelir.

Bir sesli notun sesi AB'den çıkıyor mu?

Hayır. Kayıt InterMIND'ın AB'deki nesne depolamasında tutulur ve onu metne çeviren konuşma servisi bir AB bölgesinde çalışır: Azure'da Sweden Central, Google Cloud'da eu çoklu bölgesi, AWS'de Frankfurt. Tarafların ve bölgelerin tam listesi alt işleyiciler sayfasında ve güven sayfasında yer alıyor.

Neden konuşma istemci tarafında, uygulamanın içinde tanınmıyor da ses telefondan hiç çıkmıyor?

Bunu da Eylül 2026'da ölçtük. Chrome'un yerel işlemeli yerleşik tanıyıcısı, ürün dilleri genelinde 17 resmi klibin 0'ını tanıdı; istemci tarafı tanıyıcıların dil kapsamı da yukarıdaki tablodaki 17 dilden çok daha dar. İstemci tarafı tanıma, platformlar geliştikçe yeniden ölçtüğümüz bir yön; bugün her üye için her dilde çalışan yol ağ geçidi yoludur.

Kuruluşumuz sesli notlarını hangi konuşma servisinin metne çevireceğini seçebilir mi?

Ayrı olarak hayır: kuruluş yöneticisinin Integrations sayfasında seçtiği şey yapay zekâ ağ geçididir. Varsayılan ağ geçidinde sesli notlar Azure AI Speech ile metne çevrilir. Vertex AI ve Amazon Bedrock'ta sesli notlar henüz metne çevrilmiyor; yukarıdaki bölüme bakın.

Bir sesli not ne kadar uzun olabilir ve API bunu sınırlıyor mu?

On dakikaya kadar. Azure'un hızlı transkripsiyonu tek istekte 5 saate ve 500 MB'a kadar dosya kabul eder, dolayısıyla bir not tek çağrıda metne çevrilir. Google'ın eşzamanlı tanıması 60 saniye ve 10 MB kabul eder; test düzeneğinin uzun klipleri sessizliklerden parçalara bölmesinin nedeni budur.

Tanıyıcıya neden konuşanın dili söyleniyor da dil algılanmıyor?

Çünkü sesli not kısadır. Dört saniyelik bir klipte otomatik dil tanıma yanlış dili döndürebilir; bir Rusça test notu İngilizce olarak geri geldi. Üyenin profil dili ise neredeyse her zaman doğrudur. Tanıyıcıya bu dil verilir; yalnızca dil bilinmiyorsa odanın dilleri aday olarak verilir.

Toplantı sesi de aynı servisle mi metne çevriliyor?

Hayır. Toplantıdaki canlı konuşma, görüşmeyi taşıyan medya sunucusunda, Fransa'da OVH'de barındırılan InterMIND'ın kendi motorunda (Mind API) tanınır ve çevrilir; bkz. bir toplantının nerede çalıştığı. Bulut ağ geçidi metni görür, bir görüşmenin sesini asla görmez (kendi ağ geçidinizde toplantı yapay zekâsı).

Sonuçları yeniden yayımlayacak mısınız?

Düzenek tek komutla çalışıyor ve her motorun izinleri yerinde; bu yüzden bir sağlayıcı yeni bir model çıkardığında tablo yeniden ölçülebilir. Tabloyu değiştirecek bir sonuç çıkarsa bu yazı tarihiyle birlikte güncellenir.

Kendiniz görün

• Sesli notların nasıl çalıştığını okuyun — kayıt, on dakikalık sınır ve sesin nereye gittiği.
• Alt işleyiciler listesine bakın — verilerinizi işleyen her taraf için sağlayıcı, ülke, amaç ve bölge.
• Canlı demoyu deneyin — kendi sesiniz üzerinde üretimdeki çeviri hattı, kayıt gerekmeden.

Kaynaklar: Microsoft — Azure AI Speech hızlı transkripsiyon (learn.microsoft.com) ve Speech bölgeleri tablosu (learn.microsoft.com); Google Cloud — Chirp 3 modeli (docs.cloud.google.com), eşzamanlı tanıma sınırları (docs.cloud.google.com) ve desteklenen diller (docs.cloud.google.com); AWS — Amazon Transcribe akış (docs.aws.amazon.com), uç noktalar ve kotalar (docs.aws.amazon.com) ve desteklenen diller (docs.aws.amazon.com); tümü Eylül 2026'da kontrol edildi. Ölçüm: InterMIND speech bench, 2026-09-16, 153 klip, 17 dil.