Azure AI Speech

Azure AI Speech は、音声にまつわる代表的なタスクをまとめて提供する Azure AI サービスの一機能です。話した内容のテキスト化、文章からの自然な音声生成、外国語へのリアルタイム翻訳までを、SDK や REST API から呼び出すだけで利用できます。

解決する課題

• 会議や問い合わせの音声を自動で文字起こししたい
• アプリやIVR(自動音声応答)でテキストを自然な音声で読み上げたい
• 異なる言語の話者どうしの会話をその場で翻訳したい
• 業界用語や製品名など独自語彙の認識精度を上げたい

主要概念と用語

• 音声認識(Speech to Text): 音声をテキストへ変換する。バッチ転写とリアルタイム転写の両方に対応
• 音声合成(Text to Speech): テキストを自然な音声へ変換する。多言語のニューラル音声を提供
• 音声翻訳(Speech Translation): 音声を別言語のテキストや音声へ翻訳する
• カスタム音声認識(Custom Speech): 専門用語や訛りに合わせて認識モデルを微調整
• カスタム音声合成(Custom Neural Voice): ブランド独自の声を作成する機能。利用には申請と承認が必要
• SSML: 合成音声の話速・抑揚・間などを制御するためのマークアップ言語
• Speech SDK: 主要言語向けのクライアントライブラリ。リアルタイム処理に向く

仕様・制限・クォータ

• 多数の言語と地域別の音声に対応するが、機能ごとに対応言語は異なる
• リアルタイム認識はストリーミング、長時間音声はバッチ転写を使うのが基本
• 同時接続数やリクエストレートにはサービス層に応じた**上限(クォータ)**があり、必要に応じて引き上げ申請を行う
• カスタム音声合成は不正利用防止のため利用申請と承認が前提
• 個別の数値や対応言語は変動するため、最新情報は公式ドキュメントで確認すること

内部の仕組み

利用者はリソースを作成して発行されるキーとリージョンのエンドポイントに対し、SDK か REST でリクエストを送ります。リアルタイム認識ではマイクやストリームから音声をチャンク単位で送信し、認識途中の暫定結果(中間結果)と最終結果が逐次返ります。音声合成では送ったテキストや SSML をサーバー側のニューラルモデルが音声波形へ変換して返します。カスタムモデルを使う場合は、学習用データをアップロードして専用エンドポイントを作成し、そのエンドポイント経由で推論します。

設計パターン / ベストプラクティス

• 短い対話はリアルタイム認識、録音済みの大量音声はバッチ転写で非同期処理する
• 読み上げの品質を上げたいときはSSML で抑揚・間・読みを明示的に制御する
• 専門用語が多い領域では、まずフレーズリストや辞書で改善し、足りなければカスタムモデルを検討
• 合成音声は生成のたびに課金されるため、定型文はキャッシュして再利用する

運用・監視

• 呼び出し回数・レイテンシ・エラー率を Azure Monitor のメトリクスとログで監視する
• 認識精度は本番に近い音声で定期評価し、用語の追加やモデル更新の要否を判断する
• スロットリングが出たらクォータと同時接続数を確認し、必要ならリトライとバックオフを実装する
• カスタムモデルはバージョンを管理し、切り替え時はエンドポイント単位で段階的に移行する

コスト

• 課金は基本的に処理した音声の時間や合成した文字数に応じた従量制
• カスタムモデルは推論だけでなく専用エンドポイントの稼働にも費用がかかる場合がある
• 同じ文言を繰り返し合成しないようキャッシュし、バッチ転写と組み合わせて無駄な呼び出しを減らす
• 具体的な単価は変動するため、見積もりは公式の料金ページで確認すること

セキュリティ

• 認証はキーまたは Microsoft Entra ID を利用でき、本番では Entra ID とマネージド ID が推奨
• キーはコードに直書きせず Azure Key Vault などで安全に管理する
• 通信は TLS で保護され、ネットワークはプライベートエンドポイントで閉域化できる
• 音声には個人情報が含まれ得るため、保存範囲やログの扱いを設計時に明確にする

Well-Architected の観点

• オペレーショナルエクセレンス: マネージドサービスなのでモデルの基盤運用を任せられ、メトリクスとログで継続的に品質を観測できる
• 信頼性: リトライとバックオフ、バッチ転写の非同期化で一時的な負荷やスロットリングに耐える設計にする
• コスト最適化: 合成結果のキャッシュと用途に応じた機能選択で従量課金を抑える

試験で問われるポイント

関連サービス・比較

音声認識は AWS の Transcribe、音声合成は AWS の Polly が相当します。Azure では両方を AI Speech として一体的に提供し、さらに音声翻訳まで含む点が特徴です。

ハンズオン / CLI例

# Speech リソースを作成し、キーとエンドポイントを確認する
az cognitiveservices account create \
  --name my-speech \
  --resource-group my-rg \
  --kind SpeechServices \
  --sku S0 \
  --location japaneast \
  --yes

# 認証に使うキーを取得
az cognitiveservices account keys list \
  --name my-speech \
  --resource-group my-rg