azure-openai-2025

Azure OpenAI Service - 2025 モデルと機能

GPT-5、GPT-4.1、推論モデル、Azure AI Foundry との統合など、最新の 2025 年モデルを網羅した Azure OpenAI Service の完全なナレッジベースです。

概要

Azure OpenAI Service は、エンタープライズレベルのセキュリティ、コンプライアンス、リージョンでの利用可能性を備えた、OpenAI の最も高性能なモデルへの REST API アクセスを提供します。

最新モデル（2025 年）

GPT-5 シリーズ（2025 年 8 月に GA）

登録が必要なモデル：

• gpt-5-pro：最高レベルの性能。複雑な推論に対応
• gpt-5：性能とコストのバランスに優れています
• gpt-5-codex：コード生成に最適化されています

登録不要：

• gpt-5-mini：より高速で、より手頃な価格
• gpt-5-nano：単純なタスク向けの超高速モデル
• gpt-5-chat：会話での利用に最適化されています

GPT-4.1 シリーズ

• gpt-4.1：100 万トークンのコンテキストウィンドウ
• gpt-4.1-mini：100 万トークンのコンテキストに対応した効率的なバージョン
• gpt-4.1-nano：最速のバリアント

主な改善点：

• 1,000,000 トークンのコンテキスト（GPT-4 Turbo の 128K と比較）
• 指示への追従性の向上
• ハルシネーションの低減
• 多言語サポートの改善

推論モデル

o4-mini：軽量な推論モデル

• 推論が高速
• 低コスト
• 構造化された推論タスクに適しています

o3：高度な推論モデル

• 複雑な問題解決
• 数学的推論
• 科学的分析

o1：初代の推論モデル

• 汎用的な推論
• 段階的な説明

o1-mini：効率的な推論

• コストと性能のバランスに優れています

画像生成

GPT-image-1 (2025-04-15)

• DALL-E 3 の後継
• 画像品質の向上
• プロンプト理解の改善
• 安全性フィルターの改善

動画生成

Sora (2025-05-02)

• テキストから動画を生成
• リアルなシーンや想像上のシーンに対応
• 最大 60 秒の動画
• 複数のカメラアングルとスタイル

音声モデル

gpt-4o-transcribe：GPT-4o を活用した音声テキスト変換

• 高精度な文字起こし
• 複数の言語に対応
• 話者ダイアライゼーション

gpt-4o-mini-transcribe：より高速で、より手頃な価格の文字起こし

• 十分な精度
• 低レイテンシ
• 優れたコスト効率

Azure OpenAI のデプロイ

Azure OpenAI リソースの作成

# Create OpenAI account
az cognitiveservices account create \
  --name myopenai \
  --resource-group MyRG \
  --kind OpenAI \
  --sku S0 \
  --location eastus \
  --custom-domain myopenai \
  --public-network-access Disabled \
  --identity-type SystemAssigned

# Get endpoint and key
az cognitiveservices account show \
  --name myopenai \
  --resource-group MyRG \
  --query "properties.endpoint" \
  --output tsv

az cognitiveservices account keys list \
  --name myopenai \
  --resource-group MyRG \
  --query "key1" \
  --output tsv

GPT-5 モデルのデプロイ

# Deploy gpt-5
az cognitiveservices account deployment create \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name gpt-5 \
  --model-name gpt-5 \
  --model-version latest \
  --model-format OpenAI \
  --sku-name Standard \
  --sku-capacity 100 \
  --scale-type Standard

# Deploy gpt-5-pro (requires registration)
az cognitiveservices account deployment create \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name gpt-5-pro \
  --model-name gpt-5-pro \
  --model-version latest \
  --model-format OpenAI \
  --sku-name Standard \
  --sku-capacity 50

推論モデルのデプロイ

# Deploy o3 reasoning model
az cognitiveservices account deployment create \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name o3-reasoning \
  --model-name o3 \
  --model-version latest \
  --model-format OpenAI \
  --sku-name Standard \
  --sku-capacity 50

# Deploy o4-mini
az cognitiveservices account deployment create \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name o4-mini \
  --model-name o4-mini \
  --model-version latest \
  --model-format OpenAI \
  --sku-name Standard \
  --sku-capacity 100

100 万トークンのコンテキストを備えた GPT-4.1 のデプロイ

az cognitiveservices account deployment create \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name gpt-4-1 \
  --model-name gpt-4.1 \
  --model-version latest \
  --model-format OpenAI \
  --sku-name Standard \
  --sku-capacity 100

画像生成モデルのデプロイ

az cognitiveservices account deployment create \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name image-gen \
  --model-name gpt-image-1 \
  --model-version 2025-04-15 \
  --model-format OpenAI \
  --sku-name Standard \
  --sku-capacity 10

Sora 動画生成のデプロイ

az cognitiveservices account deployment create \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name sora \
  --model-name sora \
  --model-version 2025-05-02 \
  --model-format OpenAI \
  --sku-name Standard \
  --sku-capacity 5

Azure OpenAI モデルの使用

Python SDK（GPT-5）

from openai import AzureOpenAI
import os

# Initialize client
client = AzureOpenAI(
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),
    api_version="2025-02-01-preview",
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT")
)

# GPT-5 completion
response = client.chat.completions.create(
    model="gpt-5",  # deployment name
    messages=[
        {"role": "system", "content": "You are a helpful AI assistant."},
        {"role": "user", "content": "Explain quantum computing in simple terms."}
    ],
    max_tokens=1000,
    temperature=0.7,
    top_p=0.95
)

print(response.choices[0].message.content)

Python SDK（o3 推論モデル）

# o3 reasoning with chain-of-thought
response = client.chat.completions.create(
    model="o3-reasoning",
    messages=[
        {"role": "system", "content": "You are an expert problem solver. Show your reasoning step-by-step."},
        {"role": "user", "content": "If a train travels 120 km in 2 hours, then speeds up to travel 180 km in the next 2 hours, what is the average speed for the entire journey?"}
    ],
    max_tokens=2000,
    temperature=0.2  # Lower temperature for reasoning tasks
)

print(response.choices[0].message.content)

Python SDK（100 万トークンのコンテキストを備えた GPT-4.1）

# Read a large document
with open('large_document.txt', 'r') as f:
    document = f.read()

# GPT-4.1 can handle up to 1M tokens
response = client.chat.completions.create(
    model="gpt-4-1",
    messages=[
        {"role": "system", "content": "You are a document analysis expert."},
        {"role": "user", "content": f"Analyze this document and provide key insights:\n\n{document}"}
    ],
    max_tokens=4000
)

print(response.choices[0].message.content)

画像生成（GPT-image-1）

# Generate image with DALL-E 3 successor
response = client.images.generate(
    model="image-gen",
    prompt="A futuristic city with flying cars and vertical gardens, cyberpunk style, highly detailed, 4K",
    size="1024x1024",
    quality="hd",
    n=1
)

image_url = response.data[0].url
print(f"Generated image: {image_url}")

動画生成（Sora）

# Generate video with Sora
response = client.videos.generate(
    model="sora",
    prompt="A serene lakeside at sunset with birds flying overhead and gentle waves on the shore",
    duration=10,  # seconds
    resolution="1080p",
    fps=30
)

video_url = response.data[0].url
print(f"Generated video: {video_url}")

音声の文字起こし

# Transcribe audio file
audio_file = open("meeting_recording.mp3", "rb")

response = client.audio.transcriptions.create(
    model="gpt-4o-transcribe",
    file=audio_file,
    language="en",
    response_format="verbose_json"
)

print(f"Transcription: {response.text}")
print(f"Duration: {response.duration}s")

# Speaker diarization
for segment in response.segments:
    print(f"[{segment.start}s - {segment.end}s] {segment.text}")

Azure AI Foundry との統合

モデルルーター（モデルの自動選択）

from azure.ai.foundry import ModelRouter

# Initialize model router
router = ModelRouter(
    endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
    credential=os.getenv("AZURE_OPENAI_API_KEY")
)

# Automatically select optimal model
response = router.complete(
    prompt="Analyze this complex scientific paper...",
    optimization_goals=["quality", "cost"],
    available_models=["gpt-5", "gpt-5-mini", "gpt-4-1"]
)

print(f"Selected model: {response.model_used}")
print(f"Response: {response.content}")
print(f"Cost: ${response.cost}")

メリット：

• プロンプトの複雑さに基づいてモデルを自動選択
• 品質とコストのバランスを調整
• 品質を維持しながら、コストを最大 40% 削減

エージェント型検索（Azure AI Search との統合）

from azure.search.documents import SearchClient
from azure.core.credentials import AzureKeyCredential

# Initialize search client
search_client = SearchClient(
    endpoint=os.getenv("SEARCH_ENDPOINT"),
    index_name="documents",
    credential=AzureKeyCredential(os.getenv("SEARCH_KEY"))
)

# Agentic retrieval with Azure OpenAI
response = client.chat.completions.create(
    model="gpt-5",
    messages=[
        {"role": "system", "content": "You have access to a document search system."},
        {"role": "user", "content": "What are the company's revenue projections for Q3?"}
    ],
    tools=[{
        "type": "function",
        "function": {
            "name": "search_documents",
            "description": "Search company documents",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "Search query"}
                },
                "required": ["query"]
            }
        }
    }],
    tool_choice="auto"
)

# Process tool calls
if response.choices[0].message.tool_calls:
    for tool_call in response.choices[0].message.tool_calls:
        if tool_call.function.name == "search_documents":
            query = json.loads(tool_call.function.arguments)["query"]
            results = search_client.search(query)
            # Feed results back to model for final answer

改善点：

• 複雑で複数の要素を含む質問で 40% の性能向上
• クエリの自動分解
• 関連性のランク付け
• 引用の生成

Foundry の可観測性（プレビュー）

from azure.ai.foundry import FoundryObservability

# Enable observability
observability = FoundryObservability(
    workspace_id=os.getenv("AI_FOUNDRY_WORKSPACE_ID"),
    enable_tracing=True,
    enable_metrics=True
)

# Monitor agent execution
with observability.trace_agent("customer_support_agent") as trace:
    response = client.chat.completions.create(
        model="gpt-5",
        messages=messages
    )

    trace.log_tool_call("search_kb", {"query": "refund policy"})
    trace.log_reasoning_step("Retrieved refund policy document")
    trace.log_token_usage(response.usage.total_tokens)

# View in Azure AI Foundry portal:
# - End-to-end trace logs
# - Reasoning steps and tool calls
# - Performance metrics
# - Cost analysis

容量とクォータの管理

クォータの確認

# List deployments with usage
az cognitiveservices account deployment list \
  --resource-group MyRG \
  --name myopenai \
  --output table

# Check usage metrics
az monitor metrics list \
  --resource $(az cognitiveservices account show -g MyRG -n myopenai --query id -o tsv) \
  --metric "TokenTransaction" \
  --start-time 2025-01-01T00:00:00Z \
  --end-time 2025-01-31T23:59:59Z \
  --interval PT1H \
  --aggregation Total

容量の更新

# Scale up deployment capacity
az cognitiveservices account deployment update \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name gpt-5 \
  --sku-capacity 200

# Scale down during off-peak
az cognitiveservices account deployment update \
  --resource-group MyRG \
  --name myopenai \
  --deployment-name gpt-5 \
  --sku-capacity 50

クォータの増加をリクエスト

1. Azure Portal → Azure OpenAI リソースに移動します
2. 「Quotas」ブレードを開きます
3. モデルとリージョンを選択します
4. 「Request quota increase」をクリックします
5. 理由と目標容量を入力します

セキュリティとネットワーク

プライベートエンドポイント

# Create private endpoint
az network private-endpoint create \
  --name openai-private-endpoint \
  --resource-group MyRG \
  --vnet-name MyVNet \
  --subnet PrivateEndpointSubnet \
  --private-connection-resource-id $(az cognitiveservices account show -g MyRG -n myopenai --query id -o tsv) \
  --group-id account \
  --connection-name openai-connection

# Create private DNS zone
az network private-dns zone create \
  --resource-group MyRG \
  --name privatelink.openai.azure.com

# Link to VNet
az network private-dns link vnet create \
  --resource-group MyRG \
  --zone-name privatelink.openai.azure.com \
  --name openai-dns-link \
  --virtual-network MyVNet \
  --registration-enabled false

# Create DNS zone group
az network private-endpoint dns-zone-group create \
  --resource-group MyRG \
  --endpoint-name openai-private-endpoint \
  --name default \
  --private-dns-zone privatelink.openai.azure.com \
  --zone-name privatelink.openai.azure.com

マネージド ID によるアクセス

# Enable system-assigned identity
az cognitiveservices account identity assign \
  --name myopenai \
  --resource-group MyRG

# Grant role to managed identity
PRINCIPAL_ID=$(az cognitiveservices account show -g MyRG -n myopenai --query identity.principalId -o tsv)

az role assignment create \
  --assignee $PRINCIPAL_ID \
  --role "Cognitive Services OpenAI User" \
  --scope /subscriptions/<sub-id>/resourceGroups/MyRG

コンテンツフィルタリング

# Configure content filtering
az cognitiveservices account update \
  --name myopenai \
  --resource-group MyRG \
  --set properties.customContentFilter='{
    "hate": {"severity": "medium", "enabled": true},
    "violence": {"severity": "medium", "enabled": true},
    "sexual": {"severity": "medium", "enabled": true},
    "selfHarm": {"severity": "high", "enabled": true}
  }'

コストの最適化、監視、アラート

Azure OpenAI のデプロイにおける詳細なコスト最適化戦略、トークン予算の設定、クォータを考慮したルーティング、Azure Monitor のメトリック、Log Analytics のクエリ、アラートルールについては、references/cost-monitoring.md を参照してください。コストの管理や本番環境の可観測性の設定時に、このリファレンスを読み込んでください。

ベストプラクティス

✓ Model Router を使用してコストを自動的に最適化します ✓ 重複リクエストを減らすためにキャッシュを実装します ✓ トークン使用量を監視し、予算を設定します ✓ 本番環境のワークロードにはプライベートエンドポイントを使用します ✓ API キーの代わりにマネージド ID を有効化します ✓ 安全性を確保するためにコンテンツフィルタリングを構成します ✓ 実際の需要に基づいて容量を適正化します ✓ 監視にはFoundry Observability を使用します ✓ 指数バックオフを使用した再試行ロジックを実装します ✓ タスクの複雑さに応じて適切なモデルを選択します

参考資料

• Azure OpenAI のドキュメント
• Azure OpenAI の最新情報
• GPT-5 の発表
• Azure AI Foundry
• モデルの料金

GPT-5 と推論モデルを備えた Azure OpenAI Service は、エンタープライズグレードの AI をアプリケーションにもたらします！