変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-901 第6章を新規作成。ドメイン2の不足サブ領域を補完：テキストと音声の実装（Azure AI Language／Azure AI Speech＝STT/TTS/音声翻訳、マルチモーダルで音声プロンプト応答）＋コンピュータービジョンと画像生成の実装（マルチモーダル/Azure AI Vision＝OCR・物体検出、画像生成モデル）。既存 ch1-5 の relatedSections 非破壊のため末尾 ch6 として追加。
6.1テキストと音声の実装
Foundry でテキストと音声のソリューションを実装する2つの道（用途特化の Foundry Tools＝Azure AI Language／Azure AI Speech と、音声を直接扱うマルチモーダルモデル）を理解し、テキスト分析・音声認識(STT)・音声合成(TTS)・音声翻訳の機能と、音声プロンプトへの応答方法を押さえます。
ドメイン2では、生成 AI アプリやエージェントに加えて、テキストと音声を扱うソリューションを Foundry 上で実装できることが問われます。実装の道は大きく2つです。
①用途特化のサービス＝Foundry Tools（旧 Azure AI services）に含まれる Azure AI Language（テキスト分析）や Azure AI Speech（音声）を、プロジェクトに接続して呼び出す。
②マルチモーダルモデル＝音声やテキストを直接入力できる生成モデルをデプロイして呼び出す。「決まった分析（感情・文字起こし等）は専用サービス」「会話的に音声で受け答え＝マルチモーダルモデル」と整理すると選びやすくなります。
6.1.1テキスト分析の実装（Azure AI Language）
文章の意味を機械的に扱いたいときは、用途特化の Azure AI Language を使います。これは学習済みで、コードを書かずとも主要なテキスト分析を提供します：感情分析（ポジティブ/ネガティブ）、キーフレーズ抽出（要点語）、エンティティ認識（人名・地名・日付などの抽出, NER）、言語検出、要約、個人情報(PII)検出など。Foundry では、このサービスをプロジェクトに接続し、エンドポイント＋キー（または Microsoft Entra ID 認証）で呼び出して、軽量なテキスト分析アプリを構築します。決まったタスクを安定して行いたい場合、生成モデルより安価・高速・予測可能です。
6.1.2音声の実装（Azure AI Speech）
音声を扱うときは Azure AI Speech（Foundry Tools に含まれる）を使います。主な機能は、音声認識（Speech to Text／STT＝話した音声を文字起こし）、音声合成（Text to Speech／TTS＝文章を自然な音声で読み上げ）、音声翻訳（話した内容を別言語に変換）、そして用途に合わせて声を作る カスタムニューラル音声 です。たとえば会議の文字起こしは STT、ナレーションの自動生成は TTS、というように用途で機能が決まります。Foundry では Speech をプロジェクトに接続し、軽量な音声アプリを構築します。
6.1.3マルチモーダルモデルで音声プロンプトに応答する
もう一つの道が マルチモーダルモデル の活用です。テキストだけでなく音声や画像も直接入力できる生成モデルをデプロイすると、ユーザーが話した内容（音声プロンプト）にそのまま応答させられます。専用の Speech サービスが「文字起こし」「読み上げ」といった決まった変換を担うのに対し、マルチモーダルモデルは会話的に理解して柔軟に応答する点が違いです。AI-901 では、音声プロンプトに応答するならデプロイ済みのマルチモーダルモデルを選ぶ、という対応を押さえます。
| やりたいこと | 手段 | 機能/メモ |
|---|---|---|
| 文章の感情/意図を判定 | Azure AI Language | 感情分析・NER・要約など（学習済み） |
| 会議音声を文字起こし | Azure AI Speech（STT） | Speech to Text＝音声→文字 |
| 文章を音声で読み上げ | Azure AI Speech（TTS） | Text to Speech＝文字→音声 |
| 話した内容を別言語に | Azure AI Speech（音声翻訳） | 音声翻訳 |
| 音声で会話的に受け答え | マルチモーダルモデル | 音声プロンプトに直接応答 |
Foundry Tools とは： Ignite 2025 で、用途特化の AI サービス群（Language・Speech・Vision・Content Understanding 等）は Foundry Tools（旧 Azure AI services）という呼称に整理されました。いずれも学習済みで、Foundry プロジェクトに接続して使います。本書では新名 Foundry Tools を用い、各サービスは従来どおり Azure AI Language／Azure AI Speech のように呼びます。
混同に注意：
①テキスト分析（Azure AI Language）と音声（Azure AI Speech）——入力がテキストか音声かで分ける。
②STT（音声→文字）とTTS（文字→音声）を逆にしない。
③決まった変換（専用 Speech サービス）と会話的応答（マルチモーダルモデル）を取り違えない。
④Language/Speech は学習済みで再学習不要（カスタム音声等の任意機能はある）。
頻出：「シナリオ → 手段」。例：「サポート文の感情を判定」＝Azure AI Language、「録音を文字起こし」＝Azure AI Speech（STT）、「記事を音声で読み上げ」＝Azure AI Speech（TTS）、「話した質問にそのまま答える」＝デプロイ済みマルチモーダルモデル。実装はいずれも Foundry プロジェクトに接続/デプロイして行います。
6.1.4この節のまとめ
- テキスト分析＝Azure AI Language（感情・キーフレーズ・NER・言語検出・要約・PII、学習済み）
- 音声＝Azure AI Speech：STT（音声→文字）／TTS（文字→音声）／音声翻訳／カスタムニューラル音声
- 音声プロンプトに会話的に応答するならデプロイ済みマルチモーダルモデル
- 用途特化サービスは Foundry Tools（旧 Azure AI services）としてプロジェクトに接続して利用
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 話した音声を文字に起こす（文字起こしする）Azure AI Speech の機能はどれですか？
Q2. 文章の感情・キーフレーズ・エンティティなどを学習済みで分析したい場合に最適な用途特化サービスはどれですか？
Q3. ユーザーが話した質問（音声プロンプト）に、会話的にそのまま応答させたい場合に最も適した実装はどれですか？
Q4. 記事のテキストを自然な音声で読み上げたい場合に使う機能はどれですか？
Q5. Foundry Tools（旧 Azure AI services）に含まれる Language や Speech サービスの性質として正しいものはどれですか？
Q6. コールセンターで「録音音声を文字起こしし、その内容の感情を判定する」処理を実装します。最も適した組み合わせはどれですか？