Azure MCP サーバー向けの Foundry Tools における Azure 音声サービスの概要

Azure MCP Server を使用して、自然言語プロンプトにより、Foundry Tools の音声からテキスト変換（STT）やテキストから音声変換（TTS）などの Azure Speech 機能を管理します。

注

Tool パラメーター: Azure MCP サーバー ツールは、タスクを完了するために必要なデータのパラメーターを定義します。 これらのパラメーターの一部は、各ツールに固有であり、ここに記載されています。 その他のパラメーターはグローバルであり、すべてのツールで共有されます。 詳細については、「 ツールパラメーター」を参照してください。

音声テキスト変換: 認識

Foundry Tools で Azure Speech を使用して、オーディオ ファイルから音声を認識します。 このコマンドは、オーディオ ファイルを取得し、高度な音声認識機能を使用してテキストに変換します。 サポートされているオーディオ形式には、WAV、MP3、OPUS/OGG、LAC、ALAW、MULAW、MP4、M4A、および AAC が含まれます。 圧縮形式では、GStreamer をシステムにインストールする必要があります。

プロンプトの例を次に示します。

  • 基本変換: "Foundry Tools で Azure Speech のエンドポイント https://myservice.cognitiveservices.azure.com/ を使用して、オーディオ ファイル ./meeting-recording.wav をテキストに変換します。"
  • 言語検出付き: "エンドポイントhttps://myservice.cognitiveservices.azure.com/を使用して、ファイル./recording.mp3から音声を認識し、言語検出を行います"
  • 不適切なフィルター処理: "endpoint https://myservice.cognitiveservices.azure.com/ を使用してファイル ./interview.wav から音声を文字起こしし、不適切な表現オプションを削除"
  • エンドポイント: "エンドポイント https://myservice.cognitiveservices.azure.com/ を使用して音声をファイル ./audio.wav からテキストに変換する"
  • スペイン語: "エンドポイントhttps://myservice.cognitiveservices.azure.com/を使用して、./session.wav オーディオファイルを es-ES 言語で文字起こしする"
  • detailed output: "endpoint https://myservice.cognitiveservices.azure.com/ と詳細な出力形式を使用して、音声をファイル ./audio.wav からテキストに変換する"
  • フレーズ ヒント: "エンドポイント https://myservice.cognitiveservices.azure.com/ と語句ヒント 'Azure' を使用して、ファイル ./notes.wav から音声を認識して精度を向上させる」
  • 複数の語句ヒント: "エンドポイント https://myservice.cognitiveservices.azure.com/ と語句ヒントを使用してファイル ./meeting.wav を文字起こしする: 'Azure','cognitive services', 'machine learning'"
  • Comma で区切られたヒント: "エンドポイント https://myservice.cognitiveservices.azure.com/ と語句ヒントを使用して、ファイル ./podcast.mp3 からテキストに音声を変換する: 'Azure, cognitive services, API'"
  • 未加工の不適切な言葉の出力: 「エンドポイント https://myservice.cognitiveservices.azure.com/ を使用し、卑語の処理オプションを '未加工' に設定して、ファイル ./audio.wav の音声を文字起こしする」
パラメーター 必須または省略可能 Description
エンドポイント 必須 Azure AI Services エンドポイント URL (例: https://your-service.cognitiveservices.azure.com/)。
File 必須 認識するローカル オーディオ ファイルへのパス。
言語 オプション 音声認識の言語 (たとえば、 en-US、 es-ES)。 既定値は en-US です。
フレーズ オプション 認識精度を向上させるためのフレーズ ヒント。 複数回指定することも、コンマ区切り値として指定することもできます。
形式 オプション 出力形式: simple または detailed。
冒涜 オプション 不適切な表現フィルター: masked、 removed、または raw。 既定値は masked です。

Tool 注釈ヒント:

破壊的な 冪等性 オープン ワールド [読み取り専用] Secret ローカル必須
❌ ✅ ❌ ✅ ❌ ✅

テキスト音声変換: 合成

Foundry Tools で Azure Speech を使用してテキストを音声に変換します。 このコマンドは、テキスト入力を受け取り、高度なニューラル テキスト読み上げ機能を使用してオーディオ ファイルを生成します。

プロンプトの例を次に示します。

  • Basic 合成: "エンドポイント https://myservice.cognitiveservices.azure.com/ を使用してテキスト 'Hello, welcome to Foundry Tools' を音声に変換し、output.wavに保存します"
  • カスタム音声を使用: "サービス https://myservice.cognitiveservices.azure.com/ とエンドポイント ID guid-endpoint の下で、自分のカスタム音声 my-custom-voice を使用して、「ご利用いただきありがとうございます」を音声ファイル greeting.mp3 に合成します"
  • Different 言語: "'Bienvenido a Azure' のスペイン語の音声を生成し、音声エンドポイントhttps://myresource.cognitiveservices.azure.com/ を用いて、es-ES 言語で「welcome-es.wav」に保存する"
パラメーター 必須または省略可能 Description
エンドポイント 必須 Azure AI Services エンドポイント URL (例: https://your-service.cognitiveservices.azure.com/)。
Text 必須 音声に変換するテキスト。
出力ファイルのパス 必須 合成されたオーディオ ファイルが保存されるパス。
言語 オプション 音声認識の言語 (たとえば、 en-US、 es-ES)。 既定値は en-US です。
音声 オプション 音声合成に使用する音声 (たとえば、 en-US-JennyNeural)。 指定しない場合は、言語の既定の音声が使用されます。
形式 オプション 出力形式: Riff24Khz16BitMonoPcm、 Audio16Khz32KBitRateMonoMp3、 Audio24Khz96KBitRateMonoMp3、 Ogg16Khz16BitMonoOpus、 Raw16Khz16BitMonoPcm。 既定値は Riff24Khz16BitMonoPcm です。
エンドポイント ID オプション 音声合成用のカスタム音声モデルのエンドポイント ID。

Tool 注釈ヒント:

破壊的な 冪等性 オープン ワールド [読み取り専用] Secret ローカル必須
❌ ✅ ❌ ❌ ❌ ✅

関連コンテンツ

  • Last updated on