Azure AI Speech so với Google Chirp 3 so với Amazon Transcribe trên 153 ghi chú thoại: vì sao InterMIND chạy nhận dạng giọng nói thành văn bản trên cổng đám mây riêng của tổ chức bạn (2026)

Một ghi chú thoại trong kênh InterMIND trở thành một tin nhắn văn bản mà mọi đồng nghiệp đều đọc được bằng ngôn ngữ của mình. Bước đầu tiên của quá trình đó là chuyển giọng nói thành văn bản. Câu hỏi mà bộ phận IT của host hoặc người thẩm định phía khách hàng đặt ra không phải là "độ chính xác ra sao", mà là "dịch vụ này của ai, và âm thanh đi đâu".

Câu trả lời ngắn gọn: Azure AI Speech, dịch vụ giọng nói của cổng AI mặc định, chạy trong tenant Azure riêng của InterMIND tại Sweden Central. Dịch vụ giọng nói của hai cổng còn lại mà một tổ chức có thể chọn cũng được đo trên cùng các đoạn âm thanh, để lựa chọn dựa trên một con số chứ không phải sở thích. Bài viết này trình bày các con số đằng sau lựa chọn đó: cùng 153 đoạn âm thanh chạy qua Azure AI Speech, Google Cloud Speech-to-Text và Amazon Transcribe trong cùng một ngày. Bài cũng nêu hai điều về mỗi API quan trọng hơn một điểm phần trăm độ chính xác.

Quy tắc đặt lên trước: một cổng cho mỗi tổ chức

Mọi tính năng AI trong InterMIND, gồm bản tóm tắt cuộc họp, tóm tắt tài liệu, trợ lý soạn thảo, Ask AI và Mia trong cuộc họp, đều chạy trên một cổng mô hình ngôn ngữ do tổ chức chọn. Mặc định là Azure OpenAI trong EU Data Zone. Tổ chức cũng có thể chọn Google Vertex AI trên endpoint đa vùng của EU hoặc Amazon Bedrock tại Frankfurt, mỗi cổng đều nằm trong tenant riêng của InterMIND. Chúng tôi đã giải thích lý do trong Meeting AI on your own cloud gateway: với phần lớn tổ chức, cổng đó đã có trong danh sách bên xử lý phụ được phê duyệt, nên một tính năng AI không thêm công ty mới nào vào danh sách.

Hiện nay, nhận dạng giọng nói cho ghi chú thoại tuân theo cùng quy tắc trên cổng mặc định. Mỗi cổng trong ba cổng đều có một dịch vụ giọng nói đi kèm các mô hình ngôn ngữ của nó, và đó là thứ bài viết này đo lường:

Trong mọi trường hợp, bộ nhận dạng đều được cho biết ngôn ngữ của chính người nói, tức ngôn ngữ thành viên đặt trong hồ sơ. Lý do là trong thử nghiệm của chúng tôi, tính năng tự động nhận diện ngôn ngữ tỏ ra thiếu tin cậy trên các đoạn ngắn: một ghi chú tiếng Nga dài bốn giây đã bị trả về là tiếng Anh. Đó là cách sản phẩm gọi Azure hiện nay, và bài kiểm tra gọi hai dịch vụ còn lại theo cùng cách.

Chúng tôi đã đo gì

Bộ dữ liệu. 153 đoạn âm thanh ở 17 ngôn ngữ. Gồm 136 lượt thoại trong hội thoại, được đọc bằng hai giọng tổng hợp của sản phẩm ở mười ngôn ngữ, qua hai đoạn hội thoại công việc (một cuộc đàm phán hợp đồng và một buổi họp stand-up hằng ngày). Cộng thêm 17 đoạn văn trang trọng, là các câu kinh doanh FLORES-200 trong benchmark dịch thuật công khai của chúng tôi, do một giọng tổng hợp đọc, mỗi ngôn ngữ một đoạn dài từ 71 đến 109 giây. Các lượt thoại dài từ 3 đến 30 giây, tương đương độ dài của một ghi chú thoại thực tế.

Chỉ số. Tỷ lệ lỗi từ (WER) so với văn bản tham chiếu, tức tỷ lệ từ bị thay thế, chèn thêm hoặc bỏ sót, sau khi chuẩn hóa chữ hoa/thường, dấu câu và khoảng trắng; tiếng Trung và tiếng Nhật được so sánh theo từng ký tự. Tỷ lệ lỗi ký tự cũng được ghi lại song song và cho kết quả tương tự.

Bộ kiểm thử. Một script, một máy, một giờ vào ngày 2026-09-16, mỗi engine chạy trên toàn bộ 153 đoạn. Azure và Amazon Transcribe nhận từng đoạn nguyên vẹn. Bộ nhận dạng đồng bộ của Google nhận tối đa 60 giây, nên 17 đoạn trang trọng được cắt tại các chỗ im lặng thành các phần dưới 55 giây rồi ghép lại các bản chuyển văn bản; 136 đoạn hội thoại được đưa vào nguyên vẹn. Amazon Transcribe cần âm thanh với nhịp độ thời gian thực, nên bộ kiểm thử nạp cho nó nhanh gấp bốn lần thời gian thực. Do đó, chỉ số độ trễ của nó bên dưới là mức sàn do tốc độ nạp quyết định, không phải do dịch vụ.

Những gì bài kiểm tra này không phải. Đây là giọng tổng hợp trong âm thanh yên tĩnh, không phải bản ghi thực tế từ điện thoại trong xe hơi. Chỉ một ngày, mỗi đoạn chạy một lần. Đây là phép so sánh trên loại âm thanh mà chính quy trình dịch của chúng tôi được kiểm thử, ở các ngôn ngữ mà người dùng của chúng tôi viết, chứ không phải một bảng xếp hạng.

Kết quả: tỷ lệ lỗi từ theo ngôn ngữ

WER trung bình trên các đoạn của từng ngôn ngữ; mọi engine đều trả về bản chuyển văn bản cho cả 153 đoạn.

Các ngôn ngữ chỉ có một đoạn (chỉ đoạn văn trang trọng) được nêu cho đầy đủ; con số của một đoạn đơn lẻ chỉ là một điểm dữ liệu, không phải một tỷ lệ.

Các con số cho thấy điều gì

• Trên toàn bộ tập dữ liệu, ba dịch vụ chênh nhau không quá một điểm: 9%, 10% và 10%. Cả 153 đoạn đều nhận được bản chuyển văn bản từ mọi engine, tức độ phủ của 17 ngôn ngữ là đầy đủ ở cả ba.
• Sự khác biệt nằm ở từng ngôn ngữ, và theo cả hai chiều. Azure có tỷ lệ lỗi thấp nhất ở tiếng Pháp (5% so với 11% và 12%) và tiếng Đức (7% so với 9% và 13%), đồng thời đồng hạng thấp nhất ở tiếng Anh (2%, cùng Amazon Transcribe) và tiếng Trung (3%, cùng Google). Amazon Transcribe thấp nhất ở tiếng Ả Rập (26% so với 32% và 46%). Google thấp nhất ở tiếng Nga (10% so với 14% và 14%), tiếng Bồ Đào Nha, tiếng Hungary và tiếng Thổ Nhĩ Kỳ.
• Tiếng Ả Rập khó với cả ba. Kết quả tốt nhất trên các đoạn hội thoại tiếng Ả Rập là cứ bốn từ thì sai một. Điều này khớp với những gì chúng tôi thấy ở mảng dịch thuật, nơi chúng tôi đã rút tiếng Ả Rập khỏi bộ chọn ngôn ngữ cuộc họp vào tháng 8/2026 cho đến khi chất lượng đạt ngưỡng của chúng tôi (chúng tôi hỗ trợ bao nhiêu ngôn ngữ).
• Thời gian xử lý thấp hơn nhiều so với thời gian thực ở cả ba. Một ghi chú 30 giây mất khoảng ba giây trên Azure và khoảng bảy giây trên Google trong bộ kiểm thử này; con số của Amazon bị chi phối bởi việc nạp theo nhịp.

Vì sao Azure AI Speech vẫn là mặc định

Ba lý do, theo thứ tự đã quyết định.

1. Cổng mặc định là Azure. Một tổ chức chưa chọn cổng sẽ chạy các tính năng AI trên Azure OpenAI trong EU Data Zone, nên ghi chú thoại của họ được Azure AI Speech chuyển thành văn bản trong cùng tenant. Không thêm bên xử lý phụ, không thêm vùng. Microsoft nêu rằng Azure Speech không lưu trữ hay xử lý dữ liệu bên ngoài vùng của tài nguyên Speech (trang các vùng, kiểm tra tháng 9/2026); tài nguyên của chúng tôi nằm ở Sweden Central, vùng được liệt kê cho fast transcription.

2. Hình dạng của API phù hợp với một ghi chú thoại. Một ghi chú thoại trong InterMIND có thể dài tới mười phút (ghi chú thoại). Fast transcription của Azure nhận toàn bộ bản ghi trong một yêu cầu. Nhận dạng đồng bộ của Google dừng ở 60 giây, nên một ghi chú mười phút cần nhận dạng theo lô qua một bucket lưu trữ hoặc một phiên streaming. Amazon Transcribe hỗ trợ streaming, nhưng nhận PCM, FLAC hoặc Ogg-Opus chứ không phải các định dạng mà điện thoại và trình duyệt ghi, nên âm thanh phải được chuyển mã trước. Cả hai đều giải quyết được (bộ kiểm thử đã giải quyết), nhưng chúng thêm nhiều bộ phận chuyển động vào đường đi của mọi ghi chú.

3. Các con số không phản đối lựa chọn này. Với 9% so với 10% và 10%, không engine nào trên tập dữ liệu này tốt hơn đủ để biện minh cho việc chuyển ghi chú thoại ra khỏi cổng mặc định. Nếu Google hoặc Amazon đạt tỷ lệ lỗi chỉ bằng một nửa, bài viết này sẽ nói như vậy.

Điều này có ý nghĩa gì với các tổ chức dùng Vertex AI hoặc Bedrock

Nếu tổ chức của bạn chọn Google Vertex AI hoặc Amazon Bedrock làm cổng, các tính năng AI của bạn chạy ở đó. Ghi chú thoại trong các tổ chức này hiện đến dưới dạng một bản ghi không kèm bản chuyển văn bản: chúng tôi đã đo Google Cloud Speech-to-Text và Amazon Transcribe, như bài viết này cho thấy, nhưng chưa tích hợp chúng vào sản phẩm. Quyền truy cập và mã tích hợp đã có sẵn; bài viết này sẽ được cập nhật khi chúng nằm trong đường đi của mọi ghi chú. Cho đến lúc đó, ghi chú thoại trong một tổ chức dùng Vertex AI hoặc Bedrock là một bản ghi có thể phát lại; tổ chức chuyển cổng sang Azure sẽ nhận được bản chuyển văn bản cho các ghi chú gửi từ thời điểm đó trở đi.

Câu hỏi thường gặp

InterMIND dùng dịch vụ nhận dạng giọng nói nào?

Với ghi chú thoại trong chat, đó là Azure AI Speech (API fast transcription) trong tenant Azure riêng của InterMIND tại Sweden Central, dịch vụ giọng nói của cổng AI mặc định. Giọng nói trực tiếp trong cuộc họp là một đường đi khác: nó chạy trên engine media riêng của InterMIND, Mind API, đặt tại OVH ở Pháp, và không bao giờ chạm vào dịch vụ giọng nói đám mây nào (một cuộc họp chạy ở đâu).

Azure AI Speech có chính xác hơn Google Speech-to-Text hay Amazon Transcribe không?

Trên tập 153 đoạn ghi chú thoại ở 17 ngôn ngữ của chúng tôi, đo trong cùng một ngày với cùng một bộ kiểm thử, Azure AI Speech có WER trung bình 9%, Google Cloud Speech-to-Text (Chirp 3) 10% và Amazon Transcribe 10%. Theo từng ngôn ngữ, thứ tự thay đổi: Azure thấp nhất ở tiếng Pháp, tiếng Anh và tiếng Trung, Amazon Transcribe ở tiếng Ả Rập, Google ở tiếng Nga. Trên một tập bản ghi khác, thứ hạng có thể khác; bảng ở trên là bằng chứng cho tập của chúng tôi.

Tỷ lệ lỗi từ là gì, và ở đây nó được tính như thế nào?

Tỷ lệ lỗi từ là số từ bị thay thế, chèn thêm và bỏ sót chia cho số từ trong văn bản tham chiếu. Chúng tôi chuẩn hóa chữ hoa/thường, dấu câu và khoảng trắng trước khi so sánh, và so sánh tiếng Trung và tiếng Nhật theo từng ký tự vì các hệ chữ này không tách từ bằng khoảng trắng. Tỷ lệ 9% nghĩa là khoảng cứ mười một từ thì có một từ khác với bản tham chiếu.

Âm thanh của một ghi chú thoại có rời khỏi EU không?

Không. Bản ghi được lưu trong object storage của InterMIND tại EU, và dịch vụ giọng nói chuyển nó thành văn bản chạy ở một vùng EU: Sweden Central trên Azure, đa vùng eu trên Google Cloud, Frankfurt trên AWS. Danh sách đầy đủ các bên và vùng nằm ở trang bên xử lý phụ và trang tin cậy.

Tại sao không nhận dạng giọng nói ngay trên thiết bị, trong ứng dụng, để âm thanh không bao giờ rời khỏi điện thoại?

Chúng tôi cũng đã đo điều đó, vào tháng 9/2026. Bộ nhận dạng tích hợp sẵn của Chrome với xử lý cục bộ nhận dạng được 0 trên 17 đoạn trang trọng ở các ngôn ngữ của sản phẩm, và độ phủ ngôn ngữ của các bộ nhận dạng phía máy khách hẹp hơn nhiều so với 17 ngôn ngữ trong bảng ở trên. Nhận dạng phía máy khách là một hướng chúng tôi sẽ đo lại khi các nền tảng cải thiện; hiện nay, đường đi qua cổng là đường đi hoạt động được cho mọi thành viên ở mọi ngôn ngữ.

Tổ chức của chúng tôi có thể chọn dịch vụ giọng nói nào chuyển ghi chú thoại thành văn bản không?

Không riêng lẻ: cổng AI là thứ quản trị viên tổ chức chọn ở trang Integrations. Trên cổng mặc định, ghi chú thoại được Azure AI Speech chuyển thành văn bản. Trên Vertex AI và Amazon Bedrock, ghi chú thoại hiện chưa được chuyển thành văn bản; xem mục ở trên.

Một ghi chú thoại có thể dài bao lâu, và API có giới hạn không?

Tối đa mười phút. Fast transcription của Azure nhận tệp tới 5 giờ và 500 MB trong một yêu cầu, nên một ghi chú được chuyển văn bản chỉ trong một lần gọi. Nhận dạng đồng bộ của Google nhận 60 giây và 10 MB, đó là lý do bộ kiểm thử đã cắt các đoạn dài thành từng phần tại các chỗ im lặng.

Tại sao bộ nhận dạng được cho biết ngôn ngữ của người nói thay vì tự phát hiện?

Vì một ghi chú thoại rất ngắn. Trên một đoạn bốn giây, tính năng tự động nhận diện ngôn ngữ có thể trả về sai ngôn ngữ: một ghi chú thử nghiệm tiếng Nga đã bị trả về là tiếng Anh; còn ngôn ngữ trong hồ sơ của thành viên thì gần như lần nào cũng đúng. Bộ nhận dạng nhận ngôn ngữ đó, và chỉ khi ngôn ngữ chưa biết thì nó mới nhận các ngôn ngữ của phòng làm ứng viên.

Âm thanh cuộc họp có được chuyển văn bản bởi cùng dịch vụ đó không?

Không. Giọng nói trực tiếp trong cuộc họp được nhận dạng và dịch trên engine riêng của InterMIND (Mind API) đặt trên máy chủ media mang cuộc gọi, tại OVH ở Pháp; xem một cuộc họp chạy ở đâu. Cổng đám mây chỉ thấy văn bản, không bao giờ thấy âm thanh của một cuộc gọi (meeting AI trên cổng của riêng bạn).

Các bạn có công bố lại kết quả không?

Bộ kiểm thử chạy bằng một lệnh, và quyền truy cập của mọi engine đã sẵn sàng, nên bảng có thể được đo lại khi một nhà cung cấp phát hành mô hình mới. Khi nó làm thay đổi bức tranh, bài viết này sẽ được cập nhật kèm ngày tháng.

Tự mình trải nghiệm

• Đọc cách ghi chú thoại hoạt động: ghi âm, giới hạn mười phút, và âm thanh đi đâu.
• Xem danh sách bên xử lý phụ: nhà cung cấp, quốc gia, mục đích và vùng của mọi bên xử lý dữ liệu của bạn.
• Dùng thử bản demo trực tiếp: quy trình dịch trong môi trường production trên chính âm thanh của bạn, không cần đăng ký.

Nguồn: Microsoft — Azure AI Speech fast transcription (learn.microsoft.com) và bảng các vùng của Speech (learn.microsoft.com); Google Cloud — mô hình Chirp 3 (docs.cloud.google.com), giới hạn nhận dạng đồng bộ (docs.cloud.google.com) và các ngôn ngữ được hỗ trợ (docs.cloud.google.com); AWS — Amazon Transcribe streaming (docs.aws.amazon.com), endpoint và hạn mức (docs.aws.amazon.com) và các ngôn ngữ được hỗ trợ (docs.aws.amazon.com); tất cả được kiểm tra tháng 9/2026. Phép đo: InterMIND speech bench, 2026-09-16, 153 đoạn, 17 ngôn ngữ.