Azure SpeechでWhisper Baseが表示されない原因と有効化・設定ガイド（East USのバッチ文字起こし対応）

Azure Speechのバッチ文字起こしで「Whisper Baseを使いたいのに、Models APIが{"values":[]}しか返さない」という相談が急増しています。本稿では、東海岸リージョン（East US）を前提に、原因の切り分けから有効化依頼、REST/CLI/コード例、マルチリンガル（タミル語 ta‑IN、ヒンディー語 hi‑IN など）の実装上の注意点まで、現場運用で役立つ具体手順を網羅的に解説します。

背景と問題の全体像

Azure Speechの新しいバッチ文字起こしでは、Whisper Baseなどのモデルが「Models API」で公開・選択できる設計です。しかし、East USの既存リソースでAPIを叩くと、{"values":[]}の空配列が返り、モデル選択ができない事象が報告されています。これにはいくつかの典型原因があり、順序立てて対処すればほぼ解消できます。

• リソース種別の誤り（Cognitive Services汎用アカウントで呼び出している）
• APIバージョンの不一致（プレビュー版の指定漏れ・旧APIを参照）
• サブスクリプション/リージョン単位の機能フラグ未付与
• エンドポイントURLやヘッダー（Ocp-Apim-Subscription-Key 等）の取り違え

先に結論（要点の整理）

最短で原因を特定したい方は、以下の順で確認してください。

1. リソース種別：対象がSpeech Servicesか（認知サービス（Cognitive Services）では不可）。
2. APIバージョン：2024-05-15-previewを明示指定して呼び出しているか。
3. 新規リソース：同リージョン（East US）に新規のSpeech Servicesを作って再テスト。
4. サポート依頼：出ない場合はサブスクリプション/リージョンでWhisperが未有効。サポートに有効化依頼。
5. 検証：有効化後、Models APIでid: "whisper-base"が返ることを確認。

用語と前提の整理

• Speech Servicesリソース：音声系（STT/TTS）専用のリソース種別。Whisperはこれに紐づきます。
• Cognitive Services（汎用）：複数AI機能をまとめたアカウント。Speechの新機能が表示されない場合があります。
• Models API：バッチ文字起こしで使用可能なモデル一覧を返すAPI。
• East US：本文は東海岸リージョン前提。エンドポイントは通常https://<リソース名>.cognitiveservices.azure.com/形式です。

原因別チェック表（症状→確認→対処）

症状	主原因	最短の確認	対処
Models APIが{"values":[]}	リソース種別がCognitive Services	Azureポータルのリソース「種類」が「Speech Services」か確認	Speech Servicesリソースを作成し直し、同じAPIを実行
モデルが表示されない	APIバージョン不一致	リクエストURLにapi-version=2024-05-15-previewが含まれるか	プレビュー版を明示し再実行
新規でも空配列	機能フラグ未付与（サブスクリプション/リージョン）	同リージョンで別名リソースでも空か	サポートに「Whisper Base有効化」を依頼
401/403エラー	キーまたはロールの不備	正しいキー/エンドポイント/ロールの再確認	アクセスポリシー調整・キー再発行

Azureポータルでの確認手順（リソース種別）

対象リソースの「概要」を開き、「種類」がSpeech Servicesになっていることを確認します。もしCognitive Servicesや「マルチサービス アカウント」等と表示されている場合は、Whisperが一覧に出ないのが正常です。この場合、同じサブスクリプション・同じリージョン（East US）で新しくSpeech Servicesを作成して試してください。

RESTによる即席ヘルスチェック（Models API）

下記のように呼び出し、valuesにwhisper-baseが含まれるか確認します。

GET https://<your-speech-resource>.cognitiveservices.azure.com/speechtotext/models?api-version=2024-05-15-preview
Ocp-Apim-Subscription-Key: <your-key>

レスポンスに次のようなエントリが出れば有効化済みです。

{
  "id": "whisper-base",
  "kind": "Transcription",
  "displayName": "Whisper Base",
  "description": "OpenAI Whisper base model for multilingual speech recognition",
  "createdDateTime": "2024-06-10T00:00:00Z"
}

空配列（{"values":[]}）のままであれば、後述の「新規リソース作成」→「サポート依頼」の順で解消が見込めます。

APIバージョンの再確認と推奨バージョン

バッチ文字起こしの最新機能は2024-05-15-preview系で提供されています。URLクエリ文字列にこのバージョンを必ず付けてください。旧v3系のエンドポイント（例：/speechtotext/v3.1/...）へ誤って投げていると、Whisperモデルは列挙されません。

新規Speech Servicesリソースの作成とテスト

既存リソースが古い場合や機能フラグ未付与のケースでは、新規作成が有効です。作成時のポイント：

• リージョン：East USを選択（既存と同一条件で比較しやすい）。
• 名前規約：会社-環境-地域-用途など、運用で識別しやすい命名。
• 価格レベル：商用用途ならS系を推奨。Free枠は検証向けで制限が多いことがあります。
• ネットワーク：プライベートエンドポイントやファイアウォールを使う場合は、後述のストレージSASも含め外向き通信要件を整理。

作成後、同じModels APIを叩いてwhisper-baseが列挙されるかを確認します。

サポート依頼のベストプラクティス（テンプレート付き）

新規リソースでも表示されない場合、Whisperがサブスクリプション/リージョンに対して未有効の可能性が高いです。以下のテンプレートでサポートチケットを発行します。

件名：Whisper Baseモデルの有効化依頼（East US）

対象サブスクリプションID：
対象リソース名：（種類：Speech Services、リージョン：East US）
現象：Models APIの応答が {"values": []} で、whisper-base が表示されません。
希望：当該サブスクリプション/East US で Whisper Base を有効化してください。
用途：多言語のバッチ文字起こし（例：ta-IN / hi-IN 音声）。
補足：APIバージョン 2024-05-15-preview で呼び出し済み、新規Speechリソースでも再現します。 

依頼後は数営業日で機能が有効化され、Models APIにwhisper-baseが現れるようになります。

バッチ文字起こしの実行例（Whisper Base）

Whisper Baseが列挙されるようになったら、実ジョブを作成します。以下はta-IN（タミル語）とhi-IN（ヒンディー語）の自動判別を想定した例です。

POST https://<your-speech-resource>.cognitiveservices.azure.com/speechtotext/batch/transcriptions?api-version=2024-05-15-preview
Ocp-Apim-Subscription-Key: <your-key>
Content-Type: application/json

{
"displayName": "whisper-multilingual-ta-hi",
"description": "Whisper Baseで多言語バッチ文字起こし",
"model": {
"id": "whisper-base",
"kind": "Transcription"
},
"contentUrls": [
"https://.blob.core.windows.net//audio1.wav?",
"https://.blob.core.windows.net//audio2.mp3?"
],
"properties": {
"wordLevelTimestampsEnabled": true,
"diarizationEnabled": true,
"profanityFilterMode": "None",
"punctuationMode": "DictatedAndAutomatic",
"languageIdentification": {
"mode": "Automatic",
"candidateLocales": ["ta-IN", "hi-IN", "en-IN"]
},
"timeToLive": "P1D"
}
} 

レスポンスのジョブIDを使ってGETすると、進行状況や出力URLを取得できます。完了後、結果（JSON/テキスト）から文・単語タイムスタンプや話者分離を参照できます。

実装時のポイント（多言語・品質・速度）

• 言語自動判別：誤判定を抑えるため、candidateLocalesは実際に想定される言語に絞り込むのがおすすめです。
• サンプリングレート：16 kHz以上、モノラルPCMが安定。MP3や電話品質（8 kHz）でも動作しますが、精度は原音質に比例します。
• 話者分離：会議録ではdiarizationEnabledを有効化。発話交替の多い会議ほど要件に合致します。
• 同時実行：多数ジョブ投入時は並列度を絞り、ストレージ帯域/SAS有効期限の設計を見直します。
• 結果の再利用：出力JSONから格納スキーマを設計しておくと、後続の要約・翻訳・インデキシングが楽になります。

エンドポイントとヘッダーの確認

項目	設定例	備考
エンドポイント	https://<your-speech-resource>.cognitiveservices.azure.com	リソース固有ドメインを推奨（地域汎用ドメインではない）
モデル一覧	/speechtotext/models?api-version=2024-05-15-preview	Whisper Baseが列挙されるか確認
バッチ作成	/speechtotext/batch/transcriptions?api-version=2024-05-15-preview	ジョブ作成（POST）
認証ヘッダー	Ocp-Apim-Subscription-Key: <key>	キーはSpeech Servicesリソースのもの

PowerShell/CLI/コードのスニペット

PowerShell（Models API）

$endpoint = "https://<your-speech-resource>.cognitiveservices.azure.com"
$key = "<your-key>"
$uri = "$endpoint/speechtotext/models?api-version=2024-05-15-preview"
$headers = @{ "Ocp-Apim-Subscription-Key" = $key }
Invoke-RestMethod -Uri $uri -Headers $headers -Method GET | ConvertTo-Json -Depth 10

Azure CLI（REST）

az rest --method get `
  --headers "Ocp-Apim-Subscription-Key=<your-key>" `
  --url "https://<your-speech-resource>.cognitiveservices.azure.com/speechtotext/models?api-version=2024-05-15-preview"

Python（requests）

import requests, json

endpoint = "https://.cognitiveservices.azure.com"
key = ""

# 1) モデル一覧

r = requests.get(
f"{endpoint}/speechtotext/models",
params={"api-version": "2024-05-15-preview"},
headers={"Ocp-Apim-Subscription-Key": key}
)
print("models:", r.status_code, r.text)

# 2) バッチ作成（Whisper Base）

payload = {
"displayName": "whisper-multilingual-ta-hi",
"description": "Whisper Base batch transcription",
"model": {"id": "whisper-base", "kind": "Transcription"},
"contentUrls": [
"https://.blob.core.windows.net//audio1.wav?"
],
"properties": {
"wordLevelTimestampsEnabled": True,
"diarizationEnabled": True,
"languageIdentification": {
"mode": "Automatic",
"candidateLocales": ["ta-IN", "hi-IN"]
}
}
}

r = requests.post(
f"{endpoint}/speechtotext/batch/transcriptions",
params={"api-version": "2024-05-15-preview"},
headers={"Ocp-Apim-Subscription-Key": key, "Content-Type": "application/json"},
data=json.dumps(payload))
print("create:", r.status_code, r.text) 

よくある落とし穴（現場メモ）

• 地域コードの取り違え：East USとEast US 2は別リージョンです。エンドポイントを間違えるとモデルが出ません。
• キーとエンドポイントの組み合わせ：別リソースのキーで呼び出すと403が返ることがあります。
• SAS有効期限切れ：ジョブ作成直後にSASが失効すると取り込みに失敗します。TTLはバッファ長めに。
• 大量一括投入：ストレージのスロットリングで遅延・失敗。コンテナ分割やリトライ間隔を調整。
• プライベート環境：SpeechとStorageの両方にプライベートエンドポイントを張る場合、DNS解決とFW許可をセットで設計。

エラー別トラブルシュート速引き

HTTP	状況	原因候補	対応
400	リクエスト不正	プロパティ名の不一致/URL誤り	APIバージョンとJSON構造を再確認
401	未認証	キー欠落/無効	正しいキーをヘッダーに設定
403	権限不足	別リソースのキー利用/機能未有効	キー紐付け再確認・有効化依頼
404	見つからない	エンドポイントのリソース名誤り	ドメイン名・リージョンを確認
429	スロットリング	同時実行/レート超過	指数バックオフでリトライ・並列数調整

品質向上の実践ノウハウ

• 短いクリップに分割：60～120秒程度で分割し並列処理。長音声の一発処理より安定し、再処理もしやすい。
• ノイズ対策：無音/雑音を事前カット。AGCやノイズ抑制を軽く入れると精度が向上します。
• 辞書・表記ゆれ：後処理で専門用語・人名の正規化辞書を当てると読みやすさが大幅に改善します。
• 時刻合わせ：ファイル名やメタに録音時刻を持たせると、議事録のタイムライン生成が容易です。

一時的な代替策（Whisperが使えない間）

有効化前でも、既存の標準モデルでバッチ文字起こしは可能です。ただし多言語の精度・堅牢性はWhisperに見劣りすることが多いため、業務要件が多言語であれば、早めの機能有効化申請を推奨します。暫定運用では以下の工夫で品質を底上げできます。

• 対象言語をできるだけ単一化し、言語設定を固定する（誤検出のリスク低減）。
• 音質の良い入力（16 kHz以上・モノラル・WAV）を優先。
• 短時間クリップ分割＋失敗時の自動再投入（リトライ）を仕組み化。

監視と運用（ジョブ状態・メトリクス）

運用では、ジョブ状態の監視と失敗時の自動対応が重要です。

• 状態監視：ジョブIDに対する定期ポーリング（またはWebhook相当の仕組みがあれば活用）。
• 再実行ポリシー：429や一時的なネットワーク障害に対して指数バックオフで自動リトライ。
• ログ保全：APIレスポンス・入力SAS・コンテンツURLを監査目的で一定期間保持。

セキュリティとネットワーク設計

• 最小権限の原則：SASは読み取りに限定し、有効期限を最小に設定。
• プライベートアクセス：Private Link利用時はDNS解決とVNETルートを合わせ込む。ストレージ側のプライベートエンドポイントも忘れずに。
• キー管理：定期ローテーションを行い、Key Vault連携でアプリに安全に供給。

East USでの注意事項

• リージョン表記：ポータルでは「East US」、APIではeastus表記が使われますが、エンドポイントはリソース固有ドメインに合わせます。
• 容量とスロットリング：大規模処理は夜間や時間帯分散を検討。キューイングで平準化すると安定します。

検証チェックリスト（貼って使える）

• ［　］リソース種類がSpeech Servicesである
• ［　］api-version=2024-05-15-previewで呼び出している
• ［　］新規Speechリソース（East US）でも{"values":[]}か再確認
• ［　］サポートに「Whisper Base有効化」を依頼済み（サブスクリプションID/リソース名を明記）
• ［　］Models APIにid: "whisper-base"が出ている
• ［　］ジョブ作成でmodel.id="whisper-base"を指定し、成功する

FAQ

Q. 既存のCognitive Services（汎用）から切り替える必要がありますか？
A. はい。WhisperはSpeech Services専用です。新規にSpeechリソースを用意し、そちらのキーとエンドポイントで呼び出してください。

Q. Whisper Base以外（Small/Medium/Largeなど）も使えますか？
A. 提供状況はサブスクリプション/リージョンとAPIバージョンに依存します。まずはModels APIで列挙されるかを確認し、必要に応じてサポートへ可用性を問い合わせてください。

Q. ta‑IN/hi‑INの混在会話でも自動判別できますか？
A. 可能です。languageIdentificationで候補を絞り込むと精度が安定します。品質は音質や話者混在の度合いにも左右されます。

Q. 無料枠でも試せますか？
A. 仕様上は検証可能な場合がありますが、スループット・割当の制限に留意してください。商用運用ではS系ティアを推奨します。

まとめ

Whisper BaseがModels APIに出ない場合、①リソース種別（Speech Services 専用）②APIバージョン（2024-05-15-preview）③新規リソースによる再検証④サポートへの有効化依頼、の順に進めれば、ほとんどのケースは解決します。有効化後はwhisper-baseが列挙され、マルチリンガルのバッチ文字起こし（ta‑IN / hi‑IN など）を高品質に運用できます。最後にもう一度、Models APIでの出力確認をお忘れなく。

付録：コピペ用cURL集

モデル一覧

curl -sS -X GET \
  -H "Ocp-Apim-Subscription-Key: <your-key>" \
  "https://<your-speech-resource>.cognitiveservices.azure.com/speechtotext/models?api-version=2024-05-15-preview"

ジョブ作成（Whisper Base）

curl -sS -X POST \
  -H "Ocp-Apim-Subscription-Key: <your-key>" \
  -H "Content-Type: application/json" \
  -d '{
    "displayName": "whisper-multilingual",
    "model": { "id": "whisper-base", "kind": "Transcription" },
    "contentUrls": [
      "https://<your-storage>.blob.core.windows.net/<container>/sample.wav?<SAS>"
    ],
    "properties": {
      "languageIdentification": {
        "mode": "Automatic",
        "candidateLocales": ["ta-IN", "hi-IN"]
      }
    }
  }' \
  "https://<your-speech-resource>.cognitiveservices.azure.com/speechtotext/batch/transcriptions?api-version=2024-05-15-preview"

ジョブ取得

curl -sS -X GET \
  -H "Ocp-Apim-Subscription-Key: <your-key>" \
  "https://<your-speech-resource>.cognitiveservices.azure.com/speechtotext/batch/transcriptions/<jobId>?api-version=2024-05-15-preview"

付録：プロパティ選択の目安

プロパティ	値例	効果
wordLevelTimestampsEnabled	true	単語ごとの時刻を返す
diarizationEnabled	true	話者分離（スピーカーラベル）を付与
profanityFilterMode	None / Masked	不適切語のマスク・抑制
punctuationMode	Automatic / DictatedAndAutomatic	句読点の自動付与
languageIdentification	{"mode":"Automatic","candidateLocales":["ta-IN","hi-IN"]}	候補言語を絞って自動判別

付録：サンプル応答の読み方

ジョブ完了時の応答には、結果ファイルへのURLや各種メタデータが含まれます。格納場所（SAS）の期限切れに注意し、ダウンロード後は自前ストレージへ保全してください。二次加工（要約・翻訳・検索インデックス化）を見据え、スキーマ設計を先に決めておくと後工程がスムーズです。

最後に（運用の地雷を避ける）

• スケーリング設計：上限近辺の負荷を長時間かけるとスロットリングが増えます。データ投入をバッチ化し、ピーク平準化を徹底。
• 再現性確保：同一オーディオでパラメータを固定して品質比較。変更点を1つずつ検証して差分を明確化。
• 監査の観点：誰がいつどの音声を処理したかを記録。後追い調査が容易になります。

---

ポイントまとめ

• WhisperはSpeech Services専用。Cognitive Servicesでは表示されません。
• APIは2024-05-15-previewを明示。旧エンドポイントでは列挙されません。
• 新規リソースでも出なければ、サブスクリプション/リージョンの有効化をサポートへ依頼。
• 有効化後はModels APIにid: "whisper-base"が現れるはずです。
• 多言語はcandidateLocalesを絞って精度と安定性を両立。