Azure AI Speech проти Google Chirp 3 проти Amazon Transcribe на 153 голосових повідомленнях: чому InterMIND запускає розпізнавання мовлення на власному хмарному шлюзі вашої організації (2026)

Голосове повідомлення в каналі InterMIND стає текстовим повідомленням, яке кожен колега читає своєю мовою. Перший крок для цього — розпізнавання мовлення. IT-відділ господаря або рецензент клієнта питає не «наскільки це точно», а «чий це сервіс і куди потрапляє аудіо».

Коротка відповідь: Azure AI Speech, сервіс мовлення шлюзу ШІ за замовчуванням, у власному тенанті InterMIND в Azure в регіоні Sweden Central. Також є сервіси мовлення двох інших шлюзів, які може обрати організація. Ми виміряли їх на тих самих записах, щоб вибір спирався на число, а не на вподобання. Цей допис показує числа, що стоять за цим вибором: ті самі 153 записи, пропущені в один день через Azure AI Speech, Google Cloud Speech-to-Text та Amazon Transcribe. Також він розповідає про два факти щодо кожного API, які важать більше за відсотковий пункт точності.

Спершу правило: один шлюз на організацію

Кожна функція ШІ в InterMIND працює через один шлюз мовних моделей, який обирає організація. Це підсумки зустрічей, зведення документів, асистент письма, Ask AI і Mia на зустрічі. За замовчуванням це Azure OpenAI в EU Data Zone, за вибором — Google Vertex AI на мультирегіональній кінцевій точці ЄС або Amazon Bedrock у Франкфурті, і щоразу 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 переліку субпроцесорів, тож функція ШІ не додає до переліку жодної нової компанії.

Розпізнавання мовлення для голосових повідомлень сьогодні підпорядковується тому самому правилу на шлюзі за замовчуванням. Кожен із трьох шлюзів має сервіс мовлення поруч зі своїми мовними моделями, і саме його ми вимірюємо в цьому дописі:

У кожному випадку розпізнавачу повідомляють рідну мову мовця, тобто мову, указану учасником у профілі. Автоматичне визначення мови виявилося ненадійним на коротких записах: чотирисекундне російське повідомлення повернулося як англійське. Так продукт сьогодні викликає Azure, і тест викликає два інші сервіси так само.

Що ми вимірювали

Набір. 153 записи сімнадцятьма мовами. Це 136 реплік діалогів: два ділові діалоги (переговори щодо контракту й щоденний стендап), які озвучили два синтетичні голоси продукту десятьма мовами. До них додано 17 формальних уривків — ділових речень FLORES-200 з нашого публічного бенчмарку перекладу, прочитаних синтетичним голосом, по одному на мову, тривалістю від 71 до 109 секунд. Репліки діалогів тривають від 3 до 30 секунд, як і справжнє голосове повідомлення.

Метрика. Частка помилкових слів (WER) відносно еталонного тексту — частка слів, замінених, вставлених або пропущених, — після нормалізації регістру, пунктуації та пробілів. Китайську й японську порівнюємо посимвольно. Частку помилкових символів ми теж записували, і вона розповідає ту саму історію.

Стенд. Один скрипт, одна машина, одна година 2026-09-16, кожен рушій на всіх 153 записах. Azure і Amazon Transcribe отримували запис цілком. Синхронний розпізнавач Google приймає щонайбільше 60 секунд, тому 17 формальних записів розрізали за паузами на шматки менш ніж по 55 секунд, а транскрипти зʼєднали; 136 записів діалогів пішли цілими. Amazon Transcribe потребує аудіо в реальному темпі, тому стенд подавав його вчетверо швидше за реальний час. Отже, 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 телефона в автомобілі. Один день, один прогін на запис. Це порівняння на аудіо, на якому тестується наш власний конвеєр перекладу, мовами, якими пишуть наші користувачі. Це не рейтинг.

Результати: частка помилкових слів за мовами

Середній WER на записах кожної мови; кожен рушій повернув транскрипт для всіх 153 записів.

Мови з єдиним записом (лише формальний уривок) наведено для повноти; показник за одним записом — це точка даних, а не частота.

Що кажуть числа

• На всьому наборі три сервіси відрізняються менш ніж на один пункт: 9%, 10% і 10%. Кожен із 153 записів повернувся з транскриптом від кожного рушія, тож покриття 17 мов повне в усіх трьох.
• Відмінності є за мовами, і вони йдуть в обидва боки. Azure мав найнижчий рівень помилок для французької (5% проти 11% і 12%) та німецької (7% проти 9% і 13%), а для англійської (2%, нарівні з Amazon Transcribe) і китайської (3%, нарівні з Google) розділив найнижчий результат. 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 записах діалогів — одне слово з чотирьох неправильне. Це відповідає тому, що ми бачили на стороні перекладу, де в серпні 2026 року ми прибрали арабську з вибору мови зустрічі, доки якість не досягне нашої планки (скільки мов ми підтримуємо).
• Час обробки в усіх трьох значно менший за реальний. 30-секундне повідомлення на цьому стенді обробляється приблизно за три секунди в Azure і приблизно за сім у Google; показник Amazon визначається темпом подачі.

Чому Azure AI Speech залишається за замовчуванням

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

1. Шлюз за замовчуванням — Azure. Організація, яка не обрала шлюз, запускає свої функції ШІ на Azure OpenAI в EU Data Zone, тож її голосові повідомлення 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 зазначено для швидкої транскрипції.

2. Форма API підходить для голосового повідомлення. Голосове повідомлення в InterMIND може тривати до десяти хвилин (голосові повідомлення). Швидка транскрипція Azure приймає весь запис одним запитом. Синхронне розпізнавання Google зупиняється на 60 секундах, тож десятихвилинне повідомлення потребує пакетного розпізнавання через сховище або потокової сесії. Amazon Transcribe працює потоково, але приймає PCM, FLAC або Ogg-Opus, а не формати, в яких записують телефони та браузери, тому аудіо спершу транскодують. Обидва випадки розвʼязні (стенд їх розвʼязує), але це більше рухомих частин на шляху кожного повідомлення.

3. Числа не заперечують. За 9% проти 10% і 10% жоден рушій на цьому наборі не настільки кращий, щоб виправдати перенесення голосових повідомлень зі шлюзу за замовчуванням. Якби Google чи Amazon показали вдвічі менший рівень 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 функції ШІ працюють там. Голосові повідомлення в таких організаціях наразі надходять як запис без транскрипту: ми виміряли Google Cloud Speech-to-Text і Amazon Transcribe, як показує цей допис, але ще не підключили їх до продукту. Дозволи та інтеграційний код існують; цей допис буде оновлено, коли вони опиняться на шляху кожного повідомлення. До того часу голосове повідомлення в організації на Vertex AI чи Bedrock — це запис, який можна відтворити. Організація, що перемикає свій шлюз на Azure, отримує транскрипти для повідомлень, надісланих відтоді.

Поширені запитання

Який сервіс розпізнавання мовлення використовує InterMIND?

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

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

На нашому наборі з 153 записів голосових повідомлень сімнадцятьма мовами, виміряних того самого дня на тому самому стенді, Azure AI Speech мав середній WER 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 бути іншим; таблиця вище — доказ для нашого набору.

Що таке частка помилкових слів і як її обчислювали тут?

Частка помилкових слів — 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 голосового повідомлення межі ЄС?

Ні. Запис зберігається в обʼєктному сховищі InterMIND в ЄС, а сервіс мовлення, 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 і сторінці довіри.

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

Ми вимірювали й це, у вересні 2026 року. Вбудований розпізнавач Chrome з локальною обробкою не розпізнав жодного з 17 формальних записів мовами продукту (0 із 17), а мовне покриття клієнтських розпізнавачів значно вужче за 17 мов у таблиці вище. Розпізнавання на стороні клієнта — напрям, який ми вимірюємо знову, коли платформи покращуються; сьогодні шлях через шлюз — єдиний, що працює для кожного учасника кожною мовою.

Чи може наша організація обирати, який сервіс мовлення розпізнає її голосові повідомлення?

Окремо — ні: адміністратор організації обирає шлюз ШІ на сторінці «Інтеграції». На шлюзі за замовчуванням голосові повідомлення розпізнає Azure AI Speech. На Vertex AI та Amazon Bedrock голосові повідомлення поки не розпізнаються — див. розділ вище.

Яку тривалість може мати голосове повідомлення і чи обмежує її API?

До десяти хвилин. Швидка транскрипція Azure приймає файли до 5 годин і 500 МБ за один запит, тож повідомлення розпізнається одним викликом. Синхронне розпізнавання Google приймає 60 секунд і 10 МБ, тому стенд розрізав довгі записи на шматки за паузами.

Чому розпізнавачу повідомляють мову мовця, а не змушують її визначати?

Тому що голосове повідомлення коротке. На чотирисекундному записі автоматичне визначення мови може повернути хибну мову: російське тестове повідомлення повернулося як англійське, тоді як мова профілю учасника майже завжди правильна. Розпізнавач отримує цю мову, і лише коли вона невідома, він отримує мови кімнати як кандидатів.

Чи аудіо зустрічі розпізнає той самий сервіс?

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

Чи публікуватимете ви результати знову?

Стенд запускається однією командою, і дозволи для кожного рушія вже є, тож таблицю можна виміряти знову, коли постачальник випустить нову модель. Якщо це змінить картину, допис буде оновлено з датою.

Перевірте самі

• Прочитайте, як працюють голосові повідомлення — запис, десятихвилинний ліміт і куди потрапляє аудіо.
• Перегляньте перелік субпроцесорів — постачальник, країна, призначення та регіон для кожної сторони, що обробляє ваші дані.
• Спробуйте живу демонстрацію — конвеєр перекладу з продакшну 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), обмеження синхронного розпізнавання (docs.cloud.google.com) і підтримувані мови (docs.cloud.google.com); AWS — потокове розпізнавання Amazon Transcribe (docs.aws.amazon.com), кінцеві точки 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 записи, 17 мов.