テキストと音声の AI ソリューションの要点整理と想定問題

正解: B 【A（不正解）】 ？ 文章の主な話題を表す語句を、リストで返す機能です。 主要な概念を語句で返すだけで、人名や場所といった種類には分類しない。 【B（正解）】 ？ 人・場所・組織・数量などを見つけて、種類に分ける機能です。 事前構築済みの NER は、人・場所・組織などのエンティティを識別して分類する。保険金請求の確認を楽にする例も公式に挙がっている。 【C（不正解）】 ？ 文章が何語で書かれているかを判定する機能です。 返すのは言語名や言語コードで、本文中の人名や日付は取り出さない。 【D（不正解）】 ？ 文章が肯定的か否定的かを判定する機能です。 感情のラベルと信頼度スコアを返す機能で、エンティティの抽出はしない。

出典: Azure Language の名前付きエンティティ認識 (NER) 機能は何ですか?

正解: C 【A（不正解）】 ？ モデルそのものを自分で持ち込む方法です。 事前構築済みの機能はモデルを変更せずにそのまま使う。モデルのファイルを送る仕組みではない。 【B（不正解）】 ？ 音声サービスの画面で使う名前です。 Speech Studio は Azure Speech の画面で、Azure Language の呼び出しには使わない。 【C（正解）】 ？ リソースを作ると発行される、接続先と秘密の文字列です。 公式の流れでは、リソースを作るとキーとエンドポイント URL が生成され、それで要求を認証する。 【D（不正解）】 ？ ストレージのファイルに期限付きでアクセスする URL です。 SAS URL はファイルの置き場所を渡す方法で、テキスト分析の呼び出しの認証には使わない。

出典: Azure Language の名前付きエンティティ認識 (NER) 機能は何ですか?（一般的なワークフロー）

正解: D 【A（不正解）】 ？ 肯定・否定の感情と、対象ごとの意見を取り出す機能です。 従来の機能に分類され、2029 年 3 月 31 日に Azure Language から廃止される予定である。 【B（不正解）】 ？ 文章の主な話題を語句で返す機能です。 従来の機能に分類され、2029 年 3 月 31 日に廃止される予定である。 【C（不正解）】 ？ 長い文章や会話の要点を短くまとめる機能です。 従来の機能に分類され、2029 年 3 月 31 日に廃止される予定である。 【D（正解）】 ？ 個人を特定できる情報を見つけて、伏せ字にできる機能です。 PII 検出は、言語検出・NER・Text Analytics for health と並ぶコア機能で、新規開発に推奨されている。

出典: Foundry Tools の Azure 言語とは

正解: A 【A（正解）】 ？ Microsoft Foundry で使えるモデル群を使う方法です。 公式は、既存のワークロードを移行し、新しいプロジェクトは Microsoft Foundry のモデルに向けるよう案内している。 【B（不正解）】 ？ 今ある機能を使い続ける方法です。 廃止日を過ぎると運用が止まるおそれがある。公式は新規プロジェクトを Foundry に向けるよう勧めている。 【C（不正解）】 ？ 画像から特徴を取り出すサービスです。 画像分析は画像向けで、口コミの感情分析の代わりにはならない。画像分析 4.0 自体も廃止予定である。 【D（不正解）】 ？ テキストを別の言語に翻訳するサービスです。 翻訳しても、廃止予定の機能に頼る点は変わらない。移行の問題は解決しない。

出典: Azure Language Service での感情分析とオピニオン マイニングとは／Foundry Tools での Azure 言語でのキー フレーズ抽出とは

正解: C 【A（不正解）】 ？ 独自のエンティティの種類を学習させて取り出す方法です。 自分のデータで学習が必要になる。モデルを作らずに済ませたいという条件に合わない。 【B（不正解）】 ？ 利用者の発話から意図を予測する、カスタム モデルの機能です。 発話の意図を判定するための機能で、学習も必要である。診療記録からの医療情報の抽出には向かない。 【C（正解）】 ？ 医療の文章から健康に関する情報を取り出す機能です。 公式の選び分けでは、モデルを作らずに臨床・医療の文書から医療情報を抽出する用途に Text Analytics for health を挙げている。 【D（不正解）】 ？ 語句が何を指すかを判別し、Wikipedia へのリンクを返す機能です。 一般的な語句の正体を明確にする機能で、医療の用語にラベルを付ける目的には合わない。

出典: Foundry Tools の Azure 言語とは（どのコア言語機能を使用する必要がありますか?）

正解: D 【A（不正解）】 ？ 文章が何語かを判定する機能です。 言語名とコードを返すだけで、個人情報を伏せる処理はしない。 【B（不正解）】 ？ 主な話題を表す語句を一覧にする機能です。 語句を取り出すだけで、伏せ字にしたテキストは返さない。 【C（不正解）】 ？ 対象ごとの肯定・否定の意見を取り出す機能です。 製品の特性などへの意見を分析する機能で、個人情報の保護には使わない。 【D（正解）】 ？ 個人を特定できる情報を見つけ、伏せ字にできる機能です。 PII 検出は、エンティティのカテゴリ・信頼度スコアと、伏せ字にしたテキストを返す。保存前のプライバシー対策に使える。

出典: Azure言語での個人を特定できる情報 (PII) 検出機能とは

正解: A 【A（正解）】 ？ 何語か・その記号・判定の確からしさの組です。 言語検出は、主な言語・ISO 639-1 コード・読める名前・信頼度スコアなどを返す。 【B（不正解）】 ？ 文章を別の言語に変えた結果です。 翻訳は Translator などの役割で、言語検出は翻訳文を返さない。 【C（不正解）】 ？ 感情の判定結果です。 感情のラベルを返すのは感情分析である。 【D（不正解）】 ？ 誰が話したかを分ける処理の結果です。 話者を分けるのは音声の文字起こし側の機能で、テキストの言語検出は扱わない。

出典: Azure 言語での言語検出とは

正解: B 【A（不正解）】 ？ 画像から文字を読み取る技術です。 文字を読み取るだけで、どの言語かの判定は良くならない。 【B（正解）】 ？ テキストの出所の国・地域を知らせる方法です。 公式は、あいまいな入力に国・地域コードを指定すると判定を助けると説明している。「communication」が英仏共通という例も挙がっている。 【C（不正解）】 ？ 音声認識の精度を上げるため、自前のデータで学習させるモデルです。 音声認識向けの仕組みで、テキストの言語検出には関係しない。 【D（不正解）】 ？ 肯定・否定の確からしさを示す値です。 感情の確からしさであり、何語かを判定する材料にはならない。

出典: Azure 言語での言語検出とは（あいまいなコンテンツの処理）

正解: D 【A（不正解）】 ？ メッセージやログなどの文字列を、その場で処理する種類です。 生のテキスト文字列向けで、PDF や Word のファイルを構造ごと扱う用途には向かない。 【B（不正解）】 ？ 複数ターンのやり取りや通話の記録を扱う種類です。 会話の文脈を生かす種類で、契約書のようなネイティブ ファイルは対象外である。 【C（不正解）】 ？ 文章が何語かを判定する機能です。 言語を判定するだけで、個人情報を伏せたファイルは作らない。 【D（正解）】 ？ ファイルをストレージ経由で、非同期に処理する種類です。 ドキュメント ベースの PII は文書の構造を保ちながら、伏せ字済みのファイルと JSON のメタデータを返す。

出典: Azure言語での個人を特定できる情報 (PII) 検出機能とは（適切な PII 機能を選択する）

正解: A 【A（正解）】 ？ 検出して返すエンティティの種類を絞る設定です。 piiCategories で種類を指定すると、その種類だけが返る。default を含めなければ、指定した種類以外は返らない。 【B（不正解）】 ？ 入力の言語を書かずに送る方法です。 言語を省くと既定で英語として扱われる。どの種類を伏せるかは絞れない。 【C（不正解）】 ？ 使うモデルの版を固定する設定です。 モデルの版を選ぶ設定で、伏せる種類を人名だけに限る効果はない。 【D（不正解）】 ？ 主な話題の語句を返す機能です。 語句の一覧が増えるだけで、伏せる対象を人名に限ることはできない。

出典: テキストから個人を特定できる情報 (PII) を識別して抽出する（返されるエンティティを選択する）

正解: C 【A（不正解）】 ？ 音声認識で使う言語の設定です。 音声認識の設定で、テキストを送る PII 検出の要求には関係しない。 【B（不正解）】 ？ 伏せた部分を埋める記号の設定です。 見た目が変わるだけで、検出される量は変わらない。 【C（正解）】 ？ 送る文章が何語で書かれているかを伝える設定です。 言語を指定しないと、抽出は既定で英語として行われる。日本語の文章なら言語を明示するのが先である。 【D（不正解）】 ？ 結果を後から受け取る呼び出し方です。 呼び出し方を変えても、言語の扱いは変わらない。検出の少なさの原因は解消しない。

出典: テキストから個人を特定できる情報 (PII) を識別して抽出する（入力言語）

正解: B 【A（不正解）】 ？ 出力のばらつきを大きくする設定です。 温度を上げると出力がランダムになる。決まったラベルに分ける作業には逆効果である。 【B（正解）】 ？ 例を見せて、望む応答の形を伝える方法です。 少数ショットでは例を含めてモデルの応答を方向づける。例に無いラベルの種類まで推測できる例も公式にある。 【C（不正解）】 ？ 文章が何語かを判定した結果です。 何語かが分かるだけで、請求・配送などの内容の分類にはならない。 【D（不正解）】 ？ 音声合成の読み方を指定する書き方です。 音声合成のためのマークアップで、生成モデルの分類の精度には関係しない。

出典: 迅速なエンジニアリング手法（例・少数ショット学習）

正解: A 【A（正解）】 ？ 出力を指定した JSON の形に沿わせる機能です。 構造化出力は、指定した JSON スキーマにモデルを従わせる。有効な JSON だけを保証する旧来の JSON モードより厳密である。 【B（不正解）】 ？ 1 回の応答の長さの上限を決める設定です。 応答が短くなるだけで、項目や型がそろう保証はない。途中で切れるおそれも増える。 【C（不正解）】 ？ 出力のばらつきを調整する設定です。 ばらつきが増えるため、決まった形で受け取る目的には合わない。 【D（不正解）】 ？ 主な話題を表す語句を返す機能です。 語句の一覧は返るが、氏名・日付などの項目に分けた形にはならない。

出典: Microsoft Foundry モデルで Azure OpenAI で構造化出力を使用する方法

正解: C 【A（不正解）】 ？ 使う前にモデルを学習させる方法です。 PII 検出は事前構成済みで、データに使うモデルへのカスタマイズは行わずにそのまま分析する。 【B（不正解）】 ？ 内容を新たに作り出す使い方です。 文章を自由に作るのは生成モデルの得意分野である。PII 検出は検出と伏せ字が役割である。 【C（正解）】 ？ 検出した情報を、決まった形で返す仕組みです。 PII 検出は、エンティティのカテゴリ・信頼度スコア・伏せ字にした結果を含む構造化された出力を返す。 【D（不正解）】 ？ 画像の中の顔を扱う処理です。 PII 検出が扱うのはテキスト・会話・文書である。顔の処理は Azure Face などの役割になる。

出典: Azure言語での個人を特定できる情報 (PII) 検出機能とは

正解: D 【A（不正解）】 ？ 出力のばらつきを大きくする設定です。 ランダムさが増すだけで、根拠の無い回答は減らない。 【B（不正解）】 ？ 根拠となる資料を外す方法です。 根拠を渡さないと、モデルは学習済みの知識に頼る。規程に無い回答はむしろ増える。 【C（不正解）】 ？ テキストを声に変える処理です。 読み上げても内容は変わらない。根拠の無い回答を防ぐ手段ではない。 【D（正解）】 ？ 根拠の範囲と、答えられないときの返し方を決める指示です。 公式は、根拠データを渡して回答をそれに基づかせる方法と、答えが無いときの逃げ道を示す方法を挙げている。

出典: 迅速なエンジニアリング手法（基礎となる文脈を提供する・ベスト プラクティス）

正解: B 【A（不正解）】 ？ テキストや画像から画像を作るモデルです。 画像の生成と編集のためのモデルで、音声の入出力は扱わない。 【B（正解）】 ？ OpenAI の音声対応モデルの系列です。 オーディオ対応モデルは /chat/completions に音声のモダリティを加える。テキスト・音声・その両方を扱える。 【C（不正解）】 ？ 自分の画像で学習させる画像認識のモデルです。 画像の分類や物体検出のためのもので、音声とは関係しない。 【D（不正解）】 ？ テキストを別の言語に訳すサービスです。 テキストの翻訳サービスで、チャット補完の音声応答は作らない。

出典: クイックスタート ガイド - Azure OpenAI のオーディオ生成を開始する

正解: C 【A（不正解）】 ？ モデルへの最初の指示に、ファイル名だけを書く方法です。 ファイル名を書いても音声の中身はモデルに届かない。 【B（不正解）】 ？ 画像を渡すときの項目と設定です。 image_url と detail は画像入力のための項目で、音声には使わない。 【C（正解）】 ？ 入出力の種類と、音声データの渡し方を決める組み立てです。 公式の例では modalities に text と audio を指定する。音声は base64 のデータと形式を input_audio に入れて送る。 【D（不正解）】 ？ 音声合成の読み方を指定する書き方です。 SSML は音声合成の出力を調整するためのもので、音声入力を渡す方法ではない。

出典: クイックスタート ガイド - Azure OpenAI のオーディオ生成を開始する

正解: A 【A（正解）】 ？ リアルタイムの音声や映像を送受信するための通信技術です。 公式は、低遅延のリアルタイム音声ストリーミングには多くの場合 WebRTC を推奨している。遅延の目安は最大 100 ミリ秒である。 【B（不正解）】 ？ 電話システムとつなぐための方式です。 SIP はコール センターや IVR などの電話向けである。ブラウザー アプリの第一候補ではない。 【C（不正解）】 ？ 大量の録音を後からまとめて文字にする方法です。 非同期の処理で結果まで時間がかかる。その場で音声で答える用途には使えない。 【D（不正解）】 ？ 録音済みファイルを短時間で文字にする方法です。 録音済みファイル向けで、音声の応答も作らない。会話の遅延も大きくなる。

出典: Azure OpenAI で音声とオーディオに GPT Realtime API を使用する（接続方法）

正解: D 【A（不正解）】 ？ 応答に使う声の種類の設定です。 声の種類が変わるだけで、話し終わりの判定は変わらない。 【B（不正解）】 ？ 送る音声データの形式の設定です。 形式の変更は話し終わりの判定方法に関係しない。Realtime API の入力は pcm16 が前提である。 【C（不正解）】 ？ 外部の関数を呼べるようにする設定です。 ツールの追加は会話の機能を増やすもので、割り込みの問題は解決しない。 【D（正解）】 ？ 発話の内容から話し終わりを判断する方式です。 semantic_vad は話した言葉から話し終わりの確率を見る。利用者を遮ったり、話す前に区切ったりしにくくなる。

出典: Azure OpenAI で音声とオーディオに GPT Realtime API を使用する（音声アクティビティ検出）

正解: B 【A（不正解）】 ？ 大量の保存済み音声を非同期でまとめて処理する方法です。 ピーク時は処理開始まで最大 30 分、完了まで最大 24 時間かかることがある。すぐ受け取りたい用途に合わない。 【B（正解）】 ？ 録音ファイルを同期で、短時間に文字にする方法です。 高速文字起こしは同期で、リアルタイムより速く結果を返す。会議メモやボイスメールが公式の例である。 【C（不正解）】 ？ 話された音声を別の言語に訳す機能です。 翻訳が目的の機能で、同じ言語の議事メモを作る用途には余計な処理になる。 【D（不正解）】 ？ 発音の正確さや流暢さを評価する機能です。 言語学習向けのフィードバック機能で、文字起こしの結果を得る目的とは違う。

出典: 音声テキスト変換の概要（文字起こしオプションを選択する）／高速文字起こし API を使用する

正解: C 【A（不正解）】 ？ 流れてくる音声を、その場で順に文字にする方法です。 ライブの音声向けで、大量の保存済み録音を効率よく処理する方法ではない。 【B（不正解）】 ？ テキストを話す人物の動画に変える機能です。 テキストから動画を作る機能で、録音を文字にはしない。 【C（正解）】 ？ 保存済みの大量の音声を非同期で処理する方法です。 バッチ文字起こしは Blob Storage のコンテナーや複数ファイルを受け取り、非同期で処理する。通話後の分析が公式の例である。 【D（不正解）】 ？ 人と音声で会話するアプリを作るための API です。 音声エージェントとのリアルタイムの対話向けで、保存済み録音の一括処理には向かない。

出典: バッチ文字起こしの概要

正解: A 【A（正解）】 ？ 自前の音声データで学習させ、音声認識を調整するモデルです。 公式は、環境の雑音や業界固有の用語で基本モデルが不十分なときに、カスタム音声モデルを学習させるよう示している。 【B（不正解）】 ？ 読み上げに使う、自社固有の合成音声を作る機能です。 音声合成の声を作る機能で、聞き取りの精度は上がらない。 【C（不正解）】 ？ 音声合成の発音や速さを指定する書き方です。 SSML は読み上げ側の設定で、音声認識の誤りは直らない。 【D（不正解）】 ？ 話されている言語を候補から判定する機能です。 何語かを判定するだけで、雑音や専門用語による誤認識は減らない。

出典: Azure Speech とは（音声からテキストへ変換）／音声テキスト変換の概要（Custom Speech）

正解: B 【A（不正解）】 ？ 録音の中で話者を区別する処理です。 誰が話したかを分ける処理で、固有名詞の認識精度は上がらない。 【B（正解）】 ？ 話されそうな語句を音声認識に事前に渡す仕組みです。 フレーズ リストは固有名詞や専門用語の認識を助ける。モデルの学習は不要である。 【C（不正解）】 ？ 読み上げ用の自社固有の声を作る機能です。 音声合成の機能で、聞き取りの精度には関係しない。 【D（不正解）】 ？ 発音時の口の形を表す情報です。 音声合成で口の動きを作るための情報で、文字起こしには使わない。

出典: 音声テキスト変換の概要（フレーズ リスト）

正解: C 【A（不正解）】 ？ 話されている言語を判定する機能です。 何語かを判定する機能で、話者の区別はしない。 【B（不正解）】 ？ 発音の正確さや流暢さを評価する機能です。 話し方の評価をする機能で、発言者を分けない。 【C（正解）】 ？ 録音の中で、話者ごとに発言を分ける処理です。 ダイアライゼーションは録音内の話者を区別する。公式では最大 35 人まで識別できる。 【D（不正解）】 ？ 認識させたい語句を事前に渡す仕組みです。 特定の語の認識を助ける仕組みで、誰の発言かは分からない。

出典: 音声テキスト変換の概要（ダイアライゼーション）

正解: D 【A（不正解）】 ？ 保存済みの大量の音声を非同期で処理する方式です。 結果が後から返る方式で、その場の字幕には間に合わない。 【B（不正解）】 ？ 録音済みのファイルを短時間で処理する方式です。 録音済みファイル向けで、流れてくる音声の字幕には向かない。 【C（不正解）】 ？ 画像の中の物体を見つける機能です。 画像向けの機能で、音声の文字起こしはしない。 【D（正解）】 ？ 流れてくる音声を、その場で順に文字にする方式です。 ライブ キャプションは、公式でリアルタイム文字起こしの代表的な用途として挙がっている。

出典: 音声テキスト変換の概要（文字起こしオプションを選択する）

正解: A 【A（正解）】 ？ 話された音声の発音を評価し、フィードバックを返す機能です。 発音評価は正確性と流暢性に関するフィードバックを返す。言語学習が公式の代表的な用途である。 【B（不正解）】 ？ 話された音声を別の言語に訳す機能です。 訳すための機能で、発音の良し悪しは評価しない。 【C（不正解）】 ？ テキストを話す人物の動画に変える機能です。 動画を作る機能で、学習者の発音は評価しない。 【D（不正解）】 ？ 話されている言語を判定する機能です。 何語かが分かるだけで、発音の正確さは分からない。

出典: Azure Speech とは（発音評価）

正解: B 【A（不正解）】 ？ 音声認識に、話されそうな語句を渡す仕組みです。 聞き取り側の精度を上げる仕組みで、読み上げの発音や間は調整できない。 【B（正解）】 ？ テキスト読み上げの出力を細かく指定する、XML ベースの書き方です。 SSML ではピッチ・発音・話す速さ・音量・一時停止などを指定できる。 【C（不正解）】 ？ 音声認識の精度を上げるために学習させるモデルです。 音声認識向けのモデルで、読み上げの調整には使わない。 【D（不正解）】 ？ 文章が何語かを判定する機能です。 言語が分かるだけで、読み方や間の調整はできない。

出典: 音声合成マークアップ言語 (SSML) の概要

正解: C 【A（不正解）】 ？ 自分で用意した音声データから作る声です。 カスタム音声は、責任ある使用のためアクセスが制限されており、申請が要る。 【B（不正解）】 ？ 画像をもとに声を作る方法です。 Azure Speech にそのような機能は書かれていない。 【C（正解）】 ？ ディープ ニューラル ネットワークで作られた、人に近い声です。 標準音声は 100 以上の言語とロケールですぐに使えるニューラル音声である。価格ページではニューラルと呼ばれる。 【D（不正解）】 ？ 口の形を表す情報です。 口形素は口の動きのアニメーションに使う情報で、声そのものではない。

出典: テキスト読み上げの概要

正解: D 【A（不正解）】 ？ 既にある声の聞こえ方を調整する方法です。 調整はできるが、誰でも使える標準音声のままで、自社固有の声にはならない。 【B（不正解）】 ？ 音声認識の精度を上げるためのモデルです。 聞き取り側のモデルで、合成音声の声は作れない。 【C（不正解）】 ？ 話された音声の発音を評価する機能です。 評価をするだけで、新しい合成音声は作れない。 【D（正解）】 ？ ブランド固有の合成音声を、自前の録音から作る機能です。 カスタム音声は責任ある使用のためアクセスが制限されている。申請して承認を受けてから作成する。

出典: テキスト読み上げの概要（主な機能・カスタム音声）

正解: A 【A（正解）】 ？ テキストからの音声合成を、非同期の要求として行う方法です。 バッチ合成 API は 10 分を超える音声を非同期で合成できる。オーディオブックや講義が公式の例である。 【B（不正解）】 ？ 録音済み音声を短時間で文字にする方法です。 音声を文字にする機能で、向きが逆である。 【C（不正解）】 ？ 音声エージェントとリアルタイムに会話する API です。 対話向けの API で、長い本の一括合成には向かない。 【D（不正解）】 ？ 話された音声を別の言語に訳す機能です。 入力が音声の翻訳機能で、テキストの本を読み上げる用途ではない。

出典: テキスト読み上げの概要（長時間の音声の非同期合成）

正解: C 【A（不正解）】 ？ 録音内の話者を区別した結果です。 誰が話したかの情報で、口の形は分からない。 【B（不正解）】 ？ 話されている言語を判定した結果です。 言語が分かるだけで、アニメーションのデータにはならない。 【C（正解）】 ？ 発音するときの唇・あご・舌の形を表す情報です。 口形素イベントから顔のアニメーション データを作れる。現在は en-US のニューラル音声だけが対応している。 【D（不正解）】 ？ 登録した語句が認識されたかの情報です。 音声認識の補助で、合成音声の口の動きとは関係しない。

出典: テキスト読み上げの概要（口形素）

正解: D 【A（不正解）】 ？ 保存済みの音声を後からまとめて文字にする方法です。 結果が後から返るため、その場の字幕には間に合わない。 【B（不正解）】 ？ 話されている言語を判定する機能です。 何語かが分かるだけで、翻訳はしない。 【C（不正解）】 ？ 音声合成の読み方を指定する書き方です。 読み上げの調整で、話された英語を訳す機能ではない。 【D（正解）】 ？ 話された音声をリアルタイムで多言語に訳す機能です。 音声翻訳はリアルタイムに訳した文を返す。1 回の呼び出しで 2 つのターゲット言語に直接訳せる。

出典: 音声翻訳の概要（複数のターゲット言語への翻訳）

正解: A 【A（正解）】 ？ 音声の間ずっと、言語の変化を見続ける方式です。 継続的な言語識別は音声の途中の言語の変化を識別でき、候補は最大 10 言語まで指定できる。連続認識で使う。 【B（不正解）】 ？ 音声の最初の数秒で一度だけ言語を判定する方式です。 開始時の識別は最初に 1 回だけ判定する。途中で言語が変わる通話には向かない。 【C（不正解）】 ？ テキストが何語かを判定する機能です。 テキスト向けの機能で、音声をそのまま送ることはできない。 【D（不正解）】 ？ 認識させたい語句を事前に渡す仕組みです。 語句の認識を助けるだけで、話されている言語の判定はしない。

出典: 言語識別を実装する（候補言語・開始時と継続的な言語識別）

正解: B 【A（不正解）】 ？ 文書の構造を保ったまま翻訳する機能です。 文書の翻訳サービスで、音声での対話は扱わない。 【B（正解）】 ？ Azure Speech が提供する、音声エージェント向けの API です。 Voice Live は 3 つの機能を 1 つのインターフェイスに統合したフル マネージドの API で、生成モデルのデプロイも不要である。 【C（不正解）】 ？ 保存済みの大量の音声を非同期で文字にする方法です。 後から結果が返る方式で、その場で会話する用途には使えない。 【D（不正解）】 ？ 自分の画像で学習させる画像認識のサービスです。 画像向けのサービスで、音声ボットとは関係しない。

出典: Voice Live API の概要

正解: C 【A（不正解）】 ？ 最初の数秒で言語を決め、文字で訳す方法です。 言語が途中で変わると対応しにくい。訳文も文字だけで、話し手の調子は保てない。 【B（不正解）】 ？ テキストを話す人物の動画に変える機能です。 動画を作る機能で、話された言語の識別や翻訳はしない。 【C（正解）】 ？ 音声翻訳に含まれる、会話向けの機能です。 入力言語を設定せずに言語を識別し続け、話者のスタイルとトーンを保つ自然な声で訳す。旅行通訳が公式の例である。 【D（不正解）】 ？ 発音の正確さを評価する機能です。 話し方の評価で、通訳にはならない。

出典: 音声翻訳の概要（ライブ インタープリター）