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。
6.2コンピュータービジョンと画像生成の実装
Foundry で「画像を理解する（ビジョン入力）」と「画像を作る（画像生成）」の2つの能力を実装する方法を理解します。マルチモーダルモデルや Azure AI Vision による画像解釈・OCR と、生成モデルによるテキストからの画像生成を、用途別の使い分けとともに押さえます。
画像に関わる実装には、性質の異なる2つの能力があります。
①画像を理解する（ビジョン入力）——写真や図の内容を認識・説明・分類する。
②画像を作る（画像生成）——文章の指示から新しい画像を生成する。AI-901 では、この2つを取り違えないことと、それぞれを Foundry でどう実装するかを押さえます。理解は「入力が画像」、生成は「出力が画像」と覚えると区別できます。
6.2.1画像を理解する（ビジョン入力）
画像の内容を扱う実装には2つの道があります。
①デプロイ済みのマルチモーダルモデルにプロンプトと一緒に画像を渡し、「この写真に何が写っているか」「このグラフの要点は」などを柔軟に解釈させる。
②用途特化の Azure AI Vision（Foundry Tools）で、OCR（文字認識, Read）、物体検出、画像キャプション、タグ付け、顔検出 といった決まった分析を学習済みで行う。会話的・任意の質問にはマルチモーダルモデル、決まった抽出（特に画像内の文字＝OCR）には Azure AI Vision、という使い分けが基本です。
6.2.2画像を作る（画像生成）
新しい画像を生み出すには、画像生成モデル（text-to-image の生成モデル。カタログの DALL·E など）を使います。文章のプロンプト（例：「夕暮れの海辺を描いた水彩画」）から画像を生成し、他のモデルと同様にデプロイして呼び出します。これは「新しいコンテンツを作る」ため生成 AI の一種であり、画像を認識するビジョンとは目的が逆です。AI-901 では「新しい視覚的出力を作る＝生成モデル」「既存の画像を解釈する＝マルチモーダルモデル／Azure AI Vision」という対応を押さえます。