Azure AI Speech проти Google Chirp 3 проти Amazon Transcribe на 153 голосових нотатках: чому InterMIND розпізнає мовлення на хмарному шлюзі вашої організації (2026)

Голосова нотатка в каналі InterMIND стає текстовим повідомленням, яке кожен колега читає своєю мовою. Перший крок до цього — speech-to-text. Власна ІТ-служба господаря або рецензент клієнта запитують не «наскільки це точно», а «чий це сервіс і куди потрапляє аудіо».

Коротка відповідь: Azure AI Speech, мовний сервіс AI-шлюзу за замовчуванням, у власному тенанті InterMIND в Azure у Sweden Central. Окрім нього, ми виміряли мовні сервіси двох інших шлюзів, які може обрати організація, на тих самих кліпах, щоб вибір спирався на число, а не на вподобання. Цей допис показує цифри, на яких ґрунтується вибір: ті самі 153 кліпи, пропущені через Azure AI Speech, Google Cloud Speech-to-Text і Amazon Transcribe в один день. Також він розповідає про два факти щодо кожного API, які важать більше за відсотковий пункт точності.

Спершу правило: один шлюз на організацію

Кожна AI-функція в InterMIND — підсумки зустрічей, резюме документів, асистент письма, Ask AI і Mia на зустрічі — працює на одному шлюзі мовних моделей, який обирає організація. За замовчуванням це Azure OpenAI в EU Data Zone, за вибором — Google Vertex AI на мультирегіональній точці доступу ЄС або Amazon Bedrock у Франкфурті, і кожен із них у власному тенанті InterMIND. Міркування ми виклали в статті Meeting AI on your own cloud gateway: для більшості організацій цей шлюз уже внесений до затвердженого списку субпроцесорів, тож AI-функція не додає до списку жодної нової компанії.

Speech-to-text для голосових нотаток сьогодні працює за тим самим правилом на шлюзі за замовчуванням. Кожен із трьох шлюзів має мовний сервіс поряд зі своїми мовними моделями, і саме їх ми порівнюємо в цьому дописі:

У кожному випадку розпізнавачу повідомляють мову самого мовця — ту, яку учасник указав у профілі. Автоматичне визначення мови виявилося ненадійним на коротких кліпах: чотирисекундна російська нотатка повернулася як англійська. Так продукт сьогодні викликає Azure, і тест викликає два інші сервіси так само.

Що ми вимірювали

Набір. 153 кліпи 17 мовами: 136 реплік діалогів — два ділові діалоги (переговори щодо контракту та щоденний стендап), озвучені двома синтетичними голосами продукту десятьма мовами — плюс 17 формальних уривків. Це ділові речення FLORES-200 з нашого публічного бенчмарку перекладу, прочитані синтетичним голосом, по одному на мову, тривалістю від 71 до 109 секунд. Репліки діалогів тривають від 3 до 30 секунд, як справжня голосова нотатка.

Метрика. Частота помилок у словах (WER) відносно еталонного тексту — частка слів, які замінено, вставлено або пропущено — після нормалізації регістру, пунктуації та пробілів; китайську та японську порівнюємо посимвольно. Частоту помилок у символах записували паралельно, і вона розповідає ту саму історію.

Стенд. Один скрипт, одна машина, одна година 2026-09-16, кожен рушій обробив усі 153 кліпи. Azure і Amazon Transcribe приймали кожен кліп цілком. Синхронний розпізнавач Google приймає щонайбільше 60 секунд, тому 17 формальних кліпів розрізали за паузами на частини менше 55 секунд, а транскрипти зʼєднали; 136 діалогових кліпів пішли цілими. Amazon Transcribe потребує аудіо в темпі реального часу, тому стенд подавав його вчетверо швидше за реальний час; відтак наведений нижче показник затримки — це нижня межа, задана подачею, а не сервісом.

Чим це не є. Це синтетичні голоси в тихому аудіо, а не польові записи з телефону в автівці. Один день, один прогін на кліп. Це порівняння на аудіо, на якому тестується наш власний конвеєр перекладу, мовами, якими пишуть наші користувачі, а не рейтинг.

Результати: частота помилок у словах за мовами

Середній WER на кліпах кожної мови; кожен рушій повернув транскрипт для всіх 153 кліпів.

Мови з одним кліпом (лише формальний уривок) наведено для повноти; результат на одному кліпі — це точка даних, а не показник частоти.

Що кажуть цифри

• На всьому наборі три сервіси відрізняються не більш ніж на один пункт: 9%, 10% і 10%. Кожен із 153 кліпів повернувся з транскриптом від кожного рушія, тож покриття 17 мов повне в усіх трьох.
• Відмінності виникають за мовами, і вони йдуть в обидва боки. Azure мав найнижчу частоту помилок для французької (5% проти 11% і 12%) та німецької (7% проти 9% і 13%), а також поділив найнижчий результат для англійської (2%, разом з Amazon Transcribe) і китайської (3%, разом з Google). Amazon Transcribe мав найнижчий результат для арабської (26% проти 32% і 46%). Google мав найнижчий для російської (10% проти 14% і 14%), португальської, угорської та турецької.
• Арабська складна для всіх трьох. Найкращий результат на арабських діалогових кліпах — одне слово з чотирьох неправильне. Це збігається з тим, що ми бачили на боці перекладу: у серпні 2026 року ми прибрали арабську зі списку мов зустрічі, доки якість не досягне нашої планки (скільки мов ми підтримуємо).
• Час обробки у всіх трьох набагато менший за реальний час. 30-секундна нотатка обробляється приблизно за три секунди в Azure і приблизно за сім у Google на цьому стенді; показник Amazon визначається темпом подачі.

Чому Azure AI Speech залишається за замовчуванням

Три причини, у тому порядку, в якому вони вирішили справу.

1. Шлюз за замовчуванням — Azure. Організація, що не обирала шлюз, запускає свої AI-функції на Azure OpenAI в EU Data Zone, тож її голосові нотатки розпізнає Azure AI Speech у тому самому тенанті. Жодного додаткового субпроцесора, жодного додаткового регіону. Microsoft заявляє, що Azure Speech не зберігає й не обробляє дані за межами регіону ресурсу Speech (сторінка регіонів, перевірено у вересні 2026); наш ресурс розташований у Sweden Central, який зазначений для швидкої транскрипції.

2. Форма API пасує до голосової нотатки. Голосова нотатка в InterMIND може тривати до десяти хвилин (голосові нотатки). Швидка транскрипція Azure приймає весь запис в одному запиті. Синхронне розпізнавання Google зупиняється на 60 секундах, тому десятихвилинній нотатці потрібне пакетне розпізнавання через сховище або потокова сесія. Amazon Transcribe працює потоково, але приймає PCM, FLAC або Ogg-Opus, а не формати, в яких записують телефони й браузери, тож аудіо спершу перекодовують. Обидві проблеми розвʼязні — наш стенд їх розвʼязує, — але це більше рухомих частин на шляху кожної нотатки.

3. Цифри цьому не суперечать. При 9% проти 10% і 10% жоден рушій на цьому наборі не кращий настільки, щоб виправдати перенесення голосових нотаток зі шлюзу за замовчуванням. Якби Google чи Amazon показали вдвічі меншу частоту помилок, цей допис сказав би про це.

Що це означає для організацій на Vertex AI або Bedrock

Якщо ваша організація обрала шлюзом Google Vertex AI або Amazon Bedrock, ваші AI-функції працюють там. Голосові нотатки в таких організаціях наразі надходять як запис без транскрипту: Google Cloud Speech-to-Text і Amazon Transcribe ми виміряли, як показує цей допис, але в продукт їх ще не підключили. Дозволи та код інтеграції готові; цей допис оновимо, коли вони опиняться на шляху кожної нотатки. До того часу голосова нотатка в організації на Vertex AI або Bedrock — це запис, який можна прослухати; організація, що перемкне шлюз на Azure, отримуватиме транскрипти для нотаток, надісланих після цього.

FAQ

Який сервіс speech-to-text використовує InterMIND?

Для голосових нотаток у чаті — Azure AI Speech (API швидкої транскрипції) у власному тенанті InterMIND в Azure у Sweden Central, мовний сервіс AI-шлюзу за замовчуванням. Живе мовлення на зустрічах іде іншим шляхом: воно працює на власному медіарушії InterMIND, Mind API, розміщеному в OVH у Франції, і ніколи не потрапляє до хмарного мовного сервісу (де працює одна зустріч).

Чи точніший Azure AI Speech за Google Speech-to-Text або Amazon Transcribe?

На нашому наборі з 153 кліпів голосових нотаток 17 мовами, виміряному в один день на одному стенді, Azure AI Speech мав середню частоту помилок у словах 9%, Google Cloud Speech-to-Text (Chirp 3) — 10%, Amazon Transcribe — 10%. За мовами порядок змінюється: Azure був найкращим для французької, англійської та китайської, Amazon Transcribe — для арабської, Google — для російської. На іншому наборі записів рейтинг може відрізнятися; таблиця вище — доказ для нашого набору.

Що таке частота помилок у словах і як її обчислювали тут?

Частота помилок у словах — це кількість замінених, вставлених і пропущених слів, поділена на кількість слів в еталонному тексті. Перед порівнянням ми нормалізуємо регістр, пунктуацію та пробіли, а китайську й японську порівнюємо посимвольно, бо ці писемності не розділяють слова пробілами. Показник 9% означає, що приблизно одне слово з одинадцяти відрізняється від еталона.

Чи залишає аудіо голосової нотатки межі ЄС?

Ні. Запис зберігається в обʼєктному сховищі InterMIND в ЄС, а мовний сервіс, який його розпізнає, працює в регіоні ЄС: Sweden Central в Azure, мультирегіон eu у Google Cloud, Франкфурт в AWS. Повний перелік сторін і регіонів — на сторінці субпроцесорів та сторінці довіри.

Чому б не розпізнавати мовлення на стороні клієнта, в застосунку, щоб аудіо ніколи не залишало телефон?

Ми вимірювали й це, у вересні 2026 року. Вбудований розпізнавач Chrome з локальною обробкою розпізнав 0 із 17 формальних кліпів мовами продукту, а мовне покриття клієнтських розпізнавачів значно вужче за 17 мов у таблиці вище. Клієнтське розпізнавання — напрям, який ми перевимірюватимемо в міру того, як платформи вдосконалюються; сьогодні працює для кожного учасника кожною мовою шлях через шлюз.

Чи може наша організація обрати, який мовний сервіс розпізнає її голосові нотатки?

Окремо — ні: адміністратор організації обирає AI-шлюз на сторінці Integrations. На шлюзі за замовчуванням голосові нотатки розпізнає Azure AI Speech. На Vertex AI та Amazon Bedrock голосові нотатки поки не розпізнаються — див. розділ вище.

Якої довжини може бути голосова нотатка і чи обмежує це API?

До десяти хвилин. Швидка транскрипція Azure приймає файли до 5 годин і 500 МБ в одному запиті, тож нотатку розпізнають одним викликом. Синхронне розпізнавання Google приймає 60 секунд і 10 МБ, тому стенд розрізав довгі кліпи на частини за паузами.

Чому розпізнавачу повідомляють мову мовця замість того, щоб визначати її автоматично?

Бо голосова нотатка коротка. На чотирисекундному кліпі автоматичне визначення мови може повернути хибну мову — російська тестова нотатка повернулася як англійська; мова профілю учасника майже завжди правильна. Розпізнавач отримує цю мову, і лише коли вона невідома, отримує мови кімнати як кандидатів.

Чи розпізнається аудіо зустрічі тим самим сервісом?

Ні. Живе мовлення на зустрічі розпізнається й перекладається на власному рушії InterMIND (Mind API) на медіасервері, що проводить дзвінок, розміщеному в OVH у Франції — див. де працює одна зустріч. Хмарний шлюз бачить текст, але ніколи не бачить аудіо дзвінка (meeting AI on your own gateway).

Чи публікуватимете ви результати знову?

Стенд запускається однією командою, а дозволи для кожного рушія вже налаштовано, тож таблицю можна виміряти знову, коли вендор випустить нову модель. Якщо це змінить картину, цей допис оновимо із зазначенням дати.

Переконайтеся самі

• Прочитайте, як працюють голосові нотатки — запис, десятихвилинне обмеження та куди потрапляє аудіо.
• Перегляньте список субпроцесорів — вендор, країна, мета й регіон для кожної сторони, що обробляє ваші дані.
• Спробуйте живе демо — робочий конвеєр перекладу на вашому власному аудіо, без реєстрації.

Джерела: Microsoft — швидка транскрипція Azure AI Speech (learn.microsoft.com) і таблиця регіонів Speech (learn.microsoft.com); Google Cloud — модель Chirp 3 (docs.cloud.google.com), ліміти синхронного розпізнавання (docs.cloud.google.com) і підтримувані мови (docs.cloud.google.com); AWS — потоковий режим Amazon Transcribe (docs.aws.amazon.com), точки доступу та квоти (docs.aws.amazon.com) і підтримувані мови (docs.aws.amazon.com); усе перевірено у вересні 2026. Вимірювання: InterMIND speech bench, 2026-09-16, 153 кліпи, 17 мов.