結論

Azure OpenAI は、OpenAI のモデルを Microsoft Azure の上で使うサービスで、今の公式の名前は「Azure OpenAI in Microsoft Foundry Models」です。使い方は、リソースを作る → モデルをデプロイする → エンドポイントと API キー(または Microsoft Entra ID)で呼ぶ、の3段階です。Python では公式の openai ライブラリの OpenAI クライアントに base_url="https://リソース名.openai.azure.com/openai/v1/" を渡し、model にはモデル名ではなくデプロイ名を書きます。

この記事でわかること

  • OpenAI の API との違い(エンドポイント・デプロイ名・api-version・認証)の表
  • v1 API と以前の api-version 方式で、SDK が実際に送る URL とヘッダーの実物
  • クォータ(TPM・RPM)から1分に送れる件数の計算と、429・404・401 の切り分け

2026年11月18日更新|openai 3.54.0・Python 3.13 で実行確認(Azure には接続せず 127.0.0.1 の模擬サーバーで確認)

この記事で実際に動かしたもの:openai と azure-identity を入れた Python の仮想環境、127.0.0.1 で動かした自作の模擬サーバー、curl です。Azure にはログインしておらず、リソースの作成・課金・本物のキーの使用もしていません。

Azure OpenAI でつまずく人の多くは、「どこに、何を送るのか」が OpenAI の API と少し違う点で止まります。図の4つの値(エンドポイント・デプロイ名・認証・版)がそろえば呼び出せます。

flowchart TD
    R[リソースを作る] --> D[モデルをデプロイ<br>デプロイ名を決める]
    D --> K[エンドポイントと<br>APIキーを控える]
    K --> P[Python から呼ぶ<br>model=デプロイ名]
    P -->|v1 API| V["openai/v1/responses"]
    P -->|以前の方式| O["openai/deployments/名前<br>+ api-version"]

よく調べられることの答えを先にまとめます。

知りたいこと 答え 詳しい節
Azure OpenAI とは OpenAI のモデルを Azure のサブスクリプションで使うサービス。Microsoft Foundry の一部 Azure OpenAI とは
Azure OpenAI Service との違い 同じサービスの以前の呼び名。今の公式の名前は Azure OpenAI in Microsoft Foundry Models Azure OpenAI とは
OpenAI の API との違い エンドポイントが自分のリソースの URL、model にデプロイ名、認証に Entra ID も使える OpenAI の API との違い
Azure OpenAI の使い方(最初の手順) リソースを作り、モデルをデプロイし、エンドポイントとキーを控える リソースの作成とデプロイ
Python での呼び出し方 OpenAI(base_url=".../openai/v1/", api_key=...) で responses.create Python で呼び出す
api-version は今も要るか v1 API では必須ではない。AzureOpenAI クライアントでは要る AzureOpenAI クライアント
404 が出る base_url の末尾 /openai/v1/ と、model のデプロイ名を見直す エラーと症状表
429 が出る クォータ(TPM・RPM)を超えた。再試行と増枠の申請を考える クォータとレート制限
入力したデータは学習に使われるか 提供元の説明では、基盤モデルの学習には使われない データの扱い

確認環境:Ubuntu 24.04.5 LTS の上で、Python 3.13.18 の仮想環境に openai 3.54.0・azure-identity 1.27.0 を pip で入れて動かしました。送り先は、標準ライブラリの http.server で作った自作の模擬サーバー(127.0.0.1。受け取った URL・クエリ・認証ヘッダー・model を記録し、OpenAI の API と同じ形の JSON を返す役)で、Azure のサーバーには一度も接続していません。Azure へのログイン・リソースの作成・モデルのデプロイ・キーの発行もしていません。そのため、模擬サーバーが返すエラーの本文は自作のもので、Azure の応答そのものではありません(SDK が送る内容と、エラーを受けたときの SDK の動き・例外の名前は本物です)。curl は 8.5.0 です。Azure portal と Foundry ポータルの画面の名前、デプロイの種類、クォータ、ロール、データの扱いは Microsoft Learn の公式ドキュメントで確かめ、画面の名前は取得した文面に出た語だけを「」で書いています。図は mermaid で描画を確かめています(確認日 2026年11月18日)。

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「Azure OpenAIの使い方|デプロイ・APIキー・Pythonの呼び出し方」

Azure OpenAI とは(今の名前と Microsoft Foundry との関係)

この節では、Azure OpenAI が何で、Azure OpenAI Service・Microsoft Foundry という名前とどうつながっているかが分かります。

Azure OpenAI は、OpenAI が作った GPT などのモデルを、Microsoft が Azure の上で動かし、Azure のサブスクリプションで使えるようにしたサービスです。Microsoft Learn では、記事の題名に「Azure OpenAI in Microsoft Foundry Models」という名前が使われています。料金のページの題名は「Azure OpenAI Service - 価格」のままで、検索では今も「Azure OpenAI Service」の呼び名がよく使われます。

公式の「Foundry Models sold by Azure」の記事は、Azure が販売するモデルには「すべての Azure OpenAI のモデル」が含まれ、Azure のサブスクリプションで課金され、Azure のサービスレベル契約の対象で、Microsoft がサポートすると説明しています。

1Microsoft Foundry(土台)

エージェント・モデル・ツールを1つの管理の単位にまとめる Microsoft の AI の基盤です。公式の記事の表では、以前の名前は Azure AI Studio / Azure AI Foundry とされています。

2Foundry Models(モデルの棚)

Foundry で使えるモデルのカタログです。Azure が販売するモデルと、パートナー・コミュニティのモデルの2つに分かれます。

3Azure OpenAI(その中の OpenAI のモデル)

Azure が販売するモデルのうち、OpenAI のモデルを指します。API の住所は https://リソース名.openai.azure.com です。

4ポータル(画面)

Foundry のポータルには、新しい画面と「Foundry (classic)」の画面があります。公式の手順の記事は、どちらの画面の手順かを冒頭に書いています。

Microsoft Foundry の概要を説明した公式の記事は、以前の構成(Hub と Azure OpenAI と Azure AI Services の組み合わせ)から、プロジェクトを持つ1つの Foundry リソースへ移ったと説明しています。すでに Azure OpenAI のリソースを持っている場合は、エンドポイントと API キーを保ったまま Foundry リソースへアップグレードできる、とも書かれています(詳しくは「よくある質問」)。

この記事の手順は、提供が続いていることを公式の記事の更新日(2026年8月〜11月)で確かめたうえで書いています。

Azure OpenAI と OpenAI の API の違い

この節では、OpenAI の API(api.openai.com)と Azure OpenAI で、呼び出し方のどこが違うかが分かります。

使う Python のライブラリは同じ openai です。違うのは、送り先の URL、model に入れる値、認証の選び方の3点です。公式の「How to switch between OpenAI and Azure OpenAI endpoints with Python」は、OpenAI と Azure OpenAI は共通の Python のクライアントライブラリを使い、切り替えには小さな書き換えが要る、と説明しています。

項目 OpenAI の API Azure OpenAI(v1 API) Azure OpenAI(以前の方式)
送り先 OpenAI の共通の URL(base_url の指定なし) https://リソース名.openai.azure.com/openai/v1/ https://リソース名.openai.azure.com の /openai/deployments/デプロイ名/…
model に書くもの モデル名 デプロイ名 URL にデプロイ名が入る
api-version なし 必須ではない(公式の記載) 必須(クエリ ?api-version=…)
キーの送り方(SDK の実測) Authorization: Bearer Authorization: Bearer api-key ヘッダー
キーを使わない認証 なし Microsoft Entra ID(トークン) Microsoft Entra ID(トークン)
Python のクラス OpenAI OpenAI AzureOpenAI

「キーの送り方」の行は、この記事で SDK を模擬サーバーに向けて記録した結果です。REST の公式リファレンスには、API キーを api-key ヘッダーで送る方法と authorization ヘッダーで送る方法の両方が書かれています。

公式ドキュメントは、デプロイ名とモデル名を同じにした例を多く載せていますが、「デプロイ名は用途に合わせて好きな決まりで付けてよい」と書いています。Azure OpenAI では、model の値はいつもデプロイ名だと覚えておくと迷いません。OpenAI の API 自体の使い方は、関連記事「OpenAI API Python入門|Responses APIのコピペ集」で扱っています。

Azure OpenAI のリソースの作成とモデルのデプロイ

この節では、Azure OpenAI を使えるようにするまでの画面の流れと、Azure CLI での同じ手順が分かります。

最初に Azure のサブスクリプション(支払い方法つき)を用意し、リソースを作ってから、そのリソースにモデルをデプロイします。公式の Foundry のデプロイの記事は、前提として「有効な支払い方法のある Azure サブスクリプション」と、デプロイを作る権限(Cognitive Services Contributor ロールなど)を挙げています。

Azure portal でリソースを作る(公式の classic の手順)

公式の「Create and deploy an Azure OpenAI in Microsoft Foundry Models resource (classic)」の手順です。この記事は Foundry (classic) のポータル向けと明記されています。

1

リソースを探す

Azure portal にサインインし、「Create a resource」を選んで Azure OpenAI を検索し、「Create」を選びます。

Azure portal 全体の見方は関連記事で

2

Basics を埋める

「Create Azure OpenAI」の「Basics」タブで「Subscription」「Resource group」「Region」「Name」「Pricing Tier」を入れます。公式の記載では、Pricing Tier は今は Standard だけです。

Name はエンドポイントの URL の一部になる

3

Network を選ぶ

「Network」タブで、インターネットを含むすべてのネットワーク・選んだネットワーク・無効(プライベートエンドポイントだけ)の3つから選びます。

あとから変えるときは影響を確かめる

4

作成する

「Tags」を必要に応じて付け、「Review + submit」で内容を確かめて「Create」を選びます。通知が出たら「Go to resource」で開きます。

作ったリソースは「Go to resource」から開ける

Azure portal の画面の構成やサインインの入口は、関連記事「Azure Portalとは?ログインURL・画面10要素・料金の確認手順」で扱っています。

新しい Foundry ポータルでモデルをデプロイする

公式の「Deploy Microsoft Foundry Models in the Foundry portal」(2026年11月9日更新)は、新しいポータル向けの手順です。前提として Foundry リソースの下にある Foundry のプロジェクトが要ります。

  1. 1新しい画面に切り替えるMicrosoft Foundry にサインインし、「New Foundry」の切り替えをオンにする
  2. 2モデルを選ぶ「Build」→「Catalog」→「Model Catalog」でモデルを選び、モデルカードで内容を確かめる
  3. 3デプロイする「Deploy」→「Custom settings」(または「Default settings」)。デプロイ名は既定でモデル名。変えてから「Deploy」
  4. 4状態を確かめる完了するとプレイグラウンドが開く。デプロイの一覧で状態が「Succeeded」になっていれば使える

作ったデプロイの一覧は、右上の「Build」から左の「Models」で見られます。公式の記事は、デプロイの詳細ページでエンドポイントの情報とキーを見られ、プレイグラウンドの「Code」タブでプログラムからの呼び方を確かめられる、と書いています。

Azure CLI で同じことをする

公式の classic の記事に載っている Azure CLI の例です。公式の例は、リソースを作るコマンドの途中の行末に \ が抜けているので、ここでは補って載せます(このコマンドは Azure に接続するため、手元では動かしていません)。

az group create --name OAIResourceGroup --location eastus

az cognitiveservices account create \
  --name MyOpenAIResource \
  --resource-group OAIResourceGroup \
  --location eastus \
  --kind OpenAI \
  --sku s0 \
  --subscription <subscriptionID> \
  --custom-domain MyOpenAIResource \
  --yes

az cognitiveservices account deployment create \
  --name MyOpenAIResource \
  --resource-group OAIResourceGroup \
  --deployment-name MyModel \
  --model-name gpt-4o \
  --model-version "2024-11-20" \
  --model-format OpenAI \
  --sku-capacity "1" \
  --sku-name "Standard"

--sku-name にはデプロイの種類(Standard・GlobalBatch・GlobalStandard・ProvisionedManaged)を入れる、と公式の記事にあります。種類の違いは次の節で扱います。

デプロイの種類とリージョンの選び方

この節では、Global Standard・Data Zone Standard・Standard などのデプロイの種類の違いと、リージョンを選ぶときの考え方が分かります。

公式の記事は「ほとんどの用途では Global Standard から始める」と書いています。新しいモデルが最初に出て、価格がいちばん低く、使えるリージョンがいちばん広いからです。データを処理する場所に決まりがあるときや、処理量を予約したいとき、まとめて非同期に処理したいときだけ、ほかの種類に移ります。

種類(SKU の名前) データを処理する場所 課金のしかた 向いている用途
Global Standard(GlobalStandard) Azure のどのリージョンでも トークン単位の従量課金 一般的な用途。クォータがいちばん大きい
Data Zone Standard(DataZoneStandard) データゾーン(米国・EU・APAC)の中 トークン単位の従量課金 データゾーンの中で処理したいとき
Standard(Standard) Azure の地域(geography)の中 トークン単位の従量課金 地域の中で処理したい・量が少ない
Global / Data Zone / Regional Provisioned 種類の名前のとおり PTU(処理量)を予約 予測できる大きな処理量
Global Batch / Data Zone Batch 種類の名前のとおり 50% 割引・24時間以内に返す 急がない大量の処理
Developer(DeveloperTier) Azure のどのリージョンでも トークン単位の従量課金 微調整したモデルの試しだけ(24時間で消える)

データの扱いの公式の説明では、「Global」とつく種類はモデルがある任意の地域で、「DataZone」とつく種類は指定したデータゾーンの中で処理されることがあります。どちらも、アップロードしたデータなどの保存先は、リソースの地域です。

リージョンを選ぶ前に確かめること

使いたいモデルが、そのリージョンとデプロイの種類で出ているか

データを処理してよい場所の決まり(地域・データゾーン)

ほかの Azure のサービス(検索・ストレージ)と同じ地域にするか

公式の記載から分かること

すべてのモデルがすべての種類に対応しているわけではない

Foundry のモデルと機能は、リージョンによって違う

モデルとリージョンの対応表は「Foundry Models sold by Azure」の記事にある

リージョンごとのモデルの対応は頻繁に変わるため、この記事では表を写さず、作る直前に公式の対応表を見る手順にしています。

Azure OpenAI の API キーとエンドポイントの確かめ方

この節では、呼び出しに使うエンドポイントの形と API キーの取り出し方、キーの置き場所が分かります。

エンドポイントは https://リソース名.openai.azure.com の形です。Foundry Models のエンドポイントを説明した公式の記事は、v1 API ではこの後ろに /openai/v1/ を付けた URL を使い、デプロイ名をリクエストの model に入れる、と説明しています。

新しい Foundry ポータルでは、デプロイの詳細ページでエンドポイントとキーを見られます。Azure CLI では、公式の classic の記事にある次のコマンドで取り出せます(手元では動かしていません)。

az cognitiveservices account show \
  --name <myResourceName> \
  --resource-group <myResourceGroupName> \
  | jq -r .properties.endpoint

az cognitiveservices account keys list \
  --name <myResourceName> \
  --resource-group <myResourceGroupName> \
  | jq -r .key1

公式の記事は、API キーについて「設定は手早いが、リソース全体への権限を持ち、特定の人や操作に絞りにくく、手で入れ替える必要がある。本番では Microsoft Entra ID によるキーを使わない認証を使う」と書いています。

キーの置き場所

やってはいけないapi_key="…" とコードに書く・キーをチャットや README に貼る・キーを含むファイルをリポジトリに入れる
→
代わりに環境変数 AZURE_OPENAI_API_KEY から読む。本番は Microsoft Entra ID(マネージド ID など)か Azure Key Vault を使う

公式の切り替えの記事も、Microsoft Entra ID か Azure Key Vault を勧め、環境変数は本番以外での試しに使う、としています。

Python で Azure OpenAI を呼び出す(v1 API)

この節では、公式が今の書き方として載せている v1 API の Python のコードと、そのコードが実際に送る URL とヘッダーが分かります。

v1 API では、AzureOpenAI ではなく OpenAI クラスを使い、base_url に /openai/v1/ まで書きます。公式の「Azure OpenAI in Foundry Models v1 API」の記事は、2025年8月から v1 API を選べるようになり、毎月新しい api-version を指定しなくても新しい機能を使える、と説明しています。

pip install openai
export AZURE_OPENAI_API_KEY="(Foundry で確かめたキー)"
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key=os.environ["AZURE_OPENAI_API_KEY"],
)

response = client.responses.create(
    model="my-gpt",          # デプロイ名
    input="APIの目的を1文で",
)
print(response.output_text)

このコードの base_url だけを 127.0.0.1 の模擬サーバーに変えて動かし、模擬サーバーが受け取った内容を記録しました。キーは最初の10文字だけを残して伏せています。

[C OpenAI v1 responses] POST /openai/v1/responses  query={}  auth={'authorization': 'Bearer 012...'}  model=my-gpt
   -> APIは、プログラム同士が決まった形でやりとりするための窓口です。 32
[D OpenAI v1 chat] POST /openai/v1/chat/completions  query={}  auth={'authorization': 'Bearer 012...'}  model=my-gpt

送り先は /openai/v1/responses、クエリは空(api-version なし)、キーは Authorization: Bearer で送られ、model にはデプロイ名がそのまま入りました。チャットの形(client.chat.completions.create)も同じ base_url で /openai/v1/chat/completions に送られます。最後の 32 は応答の usage.total_tokens です。

2か所OpenAI の API からの書き換えbase_url と model(デプロイ名)。キーの環境変数名も変える
0個v1 で送られたクエリapi-version は付かなかった(実測)
2回既定の再試行の回数openai 3.54.0 の max_retries の既定値

少しずつ表示する(ストリーミング)

stream=True を付けると、応答が少しずつ届きます。模擬サーバーから4つに分けて返したときに受け取った断片です。

stream = client.chat.completions.create(
    model="my-gpt",
    messages=[{"role": "user", "content": "APIとは"}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")
[G stream] ['API', 'は', '窓口', 'です。']

if chunk.choices の確認を入れているのは、中身の無い断片が届いても止まらないようにするためです。Responses API での書き方は、公式の言語別の記事に event.type == "response.output_text.delta" の例があります。

AzureOpenAI クライアント(api-version 方式)で送られる URL とヘッダー

この節では、以前から使われている AzureOpenAI クラスの書き方と、v1 API との違いを実物で見比べられます。

AzureOpenAI クラスは、URL にデプロイ名を入れ、クエリに api-version を付け、キーを api-key ヘッダーで送ります。openai 3.54.0 にも AzureOpenAI クラスは残っており、既存のコードはこの形で動いています。

from openai import AzureOpenAI

client = AzureOpenAI(
    azure_endpoint="https://YOUR-RESOURCE-NAME.openai.azure.com",
    api_key=os.environ["AZURE_OPENAI_API_KEY"],
    api_version="2025-04-01-preview",
)
r = client.chat.completions.create(
    model="my-gpt",  # デプロイ名
    messages=[{"role": "user", "content": "APIとは"}],
)
[A AzureOpenAI chat] POST /openai/deployments/my-gpt/chat/completions  query={'api-version': '2025-04-01-preview'}  auth={'api-key': '0123456789...'}  model=my-gpt
   -> APIは、プログラム同士の窓口です。 37
[B azure_deployment] POST /openai/deployments/chat-prod/chat/completions  query={'api-version': '2025-04-01-preview'}  auth={'api-key': '0123456789...'}  model=ignored-name

B は、AzureOpenAI(azure_deployment="chat-prod", …) と作ったクライアントで model="ignored-name" を指定した結果です。URL はクライアントに渡した chat-prod になり、model の値は本文に残るだけでした。デプロイ名を2か所に書くと、どちらが効いているか分かりにくくなります。

api-version の値 2025-04-01-preview は、公式の v1 API の記事の変更履歴に出てくる版の名前を例として使ったものです。使える版は公式の「API version lifecycle」で確かめます。

環境変数だけで作るとき

AzureOpenAI は引数を省くと環境変数を読みます。3つの環境変数だけを入れて AzureOpenAI() を作ったところ、A と同じ URL・クエリ・ヘッダーで送られました。一方、OpenAI クラスは AZURE_OPENAI_API_KEY を自動では読まず、キーを渡さないと作れませんでした。

環境変数 AzureOpenAI OpenAI(v1)
AZURE_OPENAI_ENDPOINT azure_endpoint として読む 読まない(base_url に書く)
AZURE_OPENAI_API_KEY api_key として読む 読まない(api_key に渡す)
OPENAI_API_VERSION api_version として読む 使わない
OPENAI_API_KEY 使わない api_key として読む

v1 API へ書き換える3点

公式の v1 API の記事が挙げる違いは、①AzureOpenAI() ではなく OpenAI() を使う、②エンドポイントに /openai/v1 を付けて base_url に渡す、③api-version は必須ではない、の3点です。キーを使わない認証のトークンの更新も、以前は AzureOpenAI が受け持っていましたが、v1 API では OpenAI クラスが自動で行うと書かれています。

Microsoft Entra ID で API キーを使わずに呼ぶ

この節では、キーの代わりに Microsoft Entra ID のトークンで呼ぶ書き方と、必要なロールが分かります。

azure-identity の DefaultAzureCredential と get_bearer_token_provider でトークンを取り出す関数を作り、それを OpenAI クラスの api_key に渡します。公式の言語別の記事は、トークンを返す関数を api_key に渡すには openai 1.106.0 以降が要る、と書いています。

from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from openai import OpenAI

token_provider = get_bearer_token_provider(
    DefaultAzureCredential(), "https://ai.azure.com/.default"
)
client = OpenAI(
    base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/",
    api_key=token_provider,
)

手元では Azure にサインインできないため、本物のトークンの代わりに決まった文字列を返す関数を api_key に渡して、送られ方だけを確かめました。

[E OpenAI api_key=callable] POST /openai/v1/responses  query={}  auth={'authorization': 'Bearer eyJ...'}  model=my-gpt
   provider calls: 2
[F AzureOpenAI ad_token_provider] POST /openai/deployments/my-gpt/chat/completions  query={'api-version': '2025-04-01-preview'}  auth={'authorization': 'Bearer eyJ...'}  model=my-gpt

2回呼ぶと関数も2回呼ばれ、どちらも Authorization: Bearer で送られました。AzureOpenAI では azure_ad_token_provider に渡すと、api-key ヘッダーではなく Authorization ヘッダーになります。

スコープの文字列は、公式の Python の例では https://ai.azure.com/.default、REST の公式リファレンスの OAuth の欄では https://cognitiveservices.azure.com/.default と書かれていました。401 が出るときは、使っている例の出どころとスコープを見比べます。

呼び出しに必要なロール

組み込みロール できること(公式の表から) できないこと
Cognitive Services OpenAI User Entra ID での推論の呼び出し・デプロイとエンドポイントの閲覧・プレイグラウンド デプロイの作成・キーの閲覧・クォータ
Cognitive Services OpenAI Contributor 上に加えてデプロイの作成と編集・微調整 キーの閲覧・クォータ・リソースの作成
Cognitive Services Contributor リソースの作成・キーの閲覧と再生成・デプロイ クォータ・Entra ID での推論の呼び出し
Cognitive Services Usages Reader サブスクリプションのクォータの使用量の閲覧 それ以外(単独ではほとんど使わない)

見落としやすいのは3行目です。Cognitive Services Contributor は、Entra ID での推論の呼び出しができないと公式の表にあります。アプリに Entra ID で呼ばせるときは、Cognitive Services OpenAI User を割り当てます。

curl(REST API)で Azure OpenAI を呼ぶ

この節では、SDK を使わずに HTTP で呼ぶときの URL・ヘッダー・本文の形が分かります。

v1 API の REST の送り先は {endpoint}/openai/v1/chat/completions などで、キーは api-key ヘッダーか authorization ヘッダーで送ります。公式のリファレンスでは、api-version はクエリで省略でき、値は v1 か preview、省略すると v1 とされています。

curl "$AZURE_OPENAI_ENDPOINT/openai/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "api-key: $AZURE_OPENAI_API_KEY" \
  -d '{"model":"my-gpt","messages":[{"role":"user","content":"APIとは"}]}'

送り先を 127.0.0.1 の模擬サーバーにして実行し、ステータスと記録を確かめました。

HTTP/1.0 200 OK
{"id": "chatcmpl-mock1", "object": "chat.completion", "model": "my-gpt", "choices": [...], "usage": {"prompt_tokens": 25, "completion_tokens": 12, "total_tokens": 37}}

(模擬サーバーの記録)
{"path": "/openai/v1/chat/completions", "query": {}, "auth": {"api-key": "0123456789..."}, "model": "my-gpt", "ua": "curl/8.5.0"}

応答の本文から文字を取り出す場所は choices[0].message.content です。Responses API の SDK では response.output_text で取り出せます。

Azure OpenAI のクォータとレート制限(TPM・RPM・429)

この節では、クォータの単位と、1分にどれだけ送れるかの計算、429 が返ったときの SDK の動きが分かります。

クォータは、デプロイごとの1分あたりのトークン数(TPM)と、それに比例したリクエスト数(RPM)で決まります。公式の「Quotas and Limits」の記事(2026年8月20日更新)によると、クォータはテナントではなく Azure のサブスクリプションの単位で決まり、RPM と TPM の比は版ごとに決まっていて、1,000 TPM あたり 10 RPM の版も 1 RPM の版もあります。

1分に送れる件数を計算する

50,000 TPM のデプロイを例に、1件あたりのトークン数と RPM の比を変えて、先に当たる上限を Python で計算しました(1件のトークン数は入力と出力の合計で数えた単純な見積もりです)。

1件の大きさ RPM の比 1分に送れる件数 先に当たる上限 1,000件にかかる時間
短い質問(200トークン) 10 RPM / 1,000 TPM 250件 トークン 4.0分
短い質問(200トークン) 1 RPM / 1,000 TPM 50件 リクエスト数 20.0分
ふつう(1,500トークン) どちらでも 33.3件 トークン 30.0分
長い文書(7,000トークン) どちらでも 7.1件 トークン 140.0分

短い質問をたくさん送る使い方では、RPM の比が小さい版だとリクエスト数の上限に先に当たります。長い文書の要約ではトークンの上限が先です。どちらの上限に当たっているかで、直し方(まとめて送る・入力を短くする・増枠する)が変わります。急がない大量の処理は、Batch の種類なら Global Standard の価格から 50% 割引と料金のページにあります。

429 を受けたときの SDK の動き(実測)

模擬サーバーに 429 と retry-after: 1 を返させ、max_retries を変えて、送られた回数とかかった時間を測りました。

[429 max_retries=0] requests=1 elapsed=0.00s status=429
[429 max_retries=2] requests=3 elapsed=2.01s status=429
[429 max_retries=4] requests=5 elapsed=4.01s status=429
   gaps(s): [1.0, 1.0, 1.0, 1.0]
[429 no retry-after] requests=3 elapsed=1.25s gaps=[0.4, 0.81]

retry-after があると SDK はその秒数どおりに待ち、無いときは約0.4秒、約0.8秒と間隔を倍にして待ちました(3回測って 0.43〜0.49秒、0.82〜0.95秒)。既定の max_retries は2なので、429 が続くと3回送って RateLimitError になります。公式の記事は、再試行の処理を入れること、負荷を急に変えずに少しずつ上げることを勧めています。待ち方の考え方は、関連記事「レート制限の実装アルゴリズム|6方式を同じ条件で動かして比較」で扱っています。

主な上限(公式の既定値)

項目 既定の上限
1リージョン・1サブスクリプションあたりの Azure OpenAI リソース 30
1リソースあたりの標準のデプロイ 32
/chat/completions のメッセージの数 2,048
1リクエストの関数・ツールの数 それぞれ 128
/embeddings の配列の要素の数 2,048

増枠は公式の申請フォームから申し込みます。公式の記事は、受け付けた順に処理し、今の割り当てをよく使っているサブスクリプションを優先すると書いています。クォータには Free(Tier 0)から Tier 6 までの段階があり、Free の段階のサブスクリプションは増枠を申請できません。

Azure OpenAI でのデータの扱い(提供元の説明)

この節では、入力した文章や応答が Microsoft の説明でどう扱われるかが分かります。

公式の「Data, privacy, and security」の記事は、入力・出力・埋め込み・学習用のデータについて、ほかの顧客や OpenAI には渡らず、モデルの改善や基盤モデルの学習に(許可や指示なしに)使われない、と説明しています。Azure が販売するモデルは、OpenAI が運営するサービス(ChatGPT や OpenAI の API)とはやりとりしない、とも書かれています。

  • 1モデルは状態を持たない入力と出力はモデルの中に保存されない(提供元の説明)
  • 2保存されるデータはリソースの地域に置かれる既定で AES-256 で暗号化され、利用者が削除できる
  • 3不正利用の監視がある自動の確認で引っかかったものなどは、人が確かめることがある
  • 4処理する場所はデプロイの種類で変わるGlobal は任意の地域、DataZone はデータゾーンの中

不正利用の監視の保存と人による確認を変える「modified abuse monitoring」は、追加の条件を満たす顧客が申し込める、と公式の記事にあります。ここに書いたのは提供元の説明で、この記事が扱いを保証するものではありません。機密情報や個人情報を入れる前に、提供元の最新の規約と所属先の決まりを確かめましょう。

自社の文書を検索して答えさせる仕組み(RAG)を作るときの全体の流れは、関連記事「RAGの作り方|Pythonで動かす最小構成と精度の上げ方」で扱っています。

Azure OpenAI のエラーと症状表

この節では、SDK を作るとき・呼ぶときに出るエラーの原文と、原因の切り分け方が分かります。

クライアントを作る時点のエラーは設定の不足、呼んだあとの 404・401・429 は送り先・認証・クォータの問題です。次は openai 3.54.0 で実際に出した原文です(404・401・429 は模擬サーバーに返させたもので、例外の名前と表示の形は SDK のものです)。

[no api_version] builtins.ValueError: Must provide either the `api_version` argument or the `OPENAI_API_VERSION` environment variable
[no endpoint] builtins.ValueError: Must provide one of the `base_url` or `azure_endpoint` arguments, or the `AZURE_OPENAI_ENDPOINT` environment variable
[no key] openai.OpenAIError: Missing credentials. Please pass one of `api_key`, `azure_ad_token`, `azure_ad_token_provider`, or the `AZURE_OPENAI_API_KEY` or `AZURE_OPENAI_AD_TOKEN` environment variables.
[no key OpenAI] openai.OpenAIError: Missing credentials. Please pass an `api_key`, `workload_identity`, `admin_api_key`, or set the `OPENAI_API_KEY` or `OPENAI_ADMIN_KEY` environment variable.
[unknown deployment] openai.NotFoundError: Error code: 404 - mock: deployment not found
[bad key] openai.AuthenticationError: Error code: 401 - mock: invalid credentials
[base_url without /openai/v1] openai.NotFoundError: Error code: 404 - mock: resource not found
   path sent: /responses

最後の例は、base_url をリソースの URL だけにした場合です。SDK は /responses に送り、/openai/v1/ が抜けて 404 になりました。公式の言語別の記事も、404 のときは base_url の末尾が /openai/v1/ か、model が正しいデプロイ名かを確かめる、と書いています。

症状 主な原因 確かめ方 直し方
Must provide either the `api_version` … AzureOpenAI に版を渡していない コードと OPENAI_API_VERSION 版を渡すか、OpenAI クラスと v1 API に移る
Must provide one of the `base_url` or `azure_endpoint` … エンドポイントの指定がない AZURE_OPENAI_ENDPOINT の中身 https://リソース名.openai.azure.com を渡す
Missing credentials … キーもトークンの関数も無い 環境変数の名前(OpenAI クラスは AZURE_ の変数を読まない) api_key に渡す
404(NotFoundError) base_url の /openai/v1/ 抜け・デプロイ名の誤り 送った URL と Foundry のデプロイの一覧 末尾とデプロイ名を直す
401(AuthenticationError) キーの誤り・別リソースのキー・トークンのスコープ キーとエンドポイントが同じリソースのものか 正しいキーにする・ロールを割り当てる
403 ID に権限がない・ネットワークの制限 ロールの割り当てと「Network」の設定 Cognitive Services OpenAI User を割り当てる
429(RateLimitError) TPM・RPM の上限 1件のトークン数と送る頻度 再試行・負荷をならす・増枠を申請
400 Model not supported そのデプロイが Responses API に対応していない 使っているモデル chat.completions.create に切り替える(公式の記載)

公式の言語別の記事は、問い合わせのときのためにリクエスト ID を記録する例(response._request_id・error.request_id)も載せています。

Azure OpenAI の使い方の判断表(どの書き方・設定を選ぶか)

この節では、場面ごとに、クライアントの書き方・認証・デプロイの種類をどう選ぶかが分かります。

場面 クライアント 認証 デプロイの種類
新しく作る・試す OpenAI + /openai/v1/ API キー(環境変数) Global Standard
本番の Web アプリ OpenAI + /openai/v1/ Entra ID(マネージド ID) Global Standard か Data Zone Standard
処理する場所に決まりがある OpenAI + /openai/v1/ Entra ID Data Zone Standard・Standard
既存の AzureOpenAI のコード そのまま動かし、書き換える時期を決める 今の方式のまま 変えない
OpenAI の API と切り替えたい OpenAI(base_url だけ切り替える) API キー Global Standard
急がない大量の処理 Batch の手順 Entra ID か API キー Global Batch・Data Zone Batch
大きな処理量を安定させたい OpenAI + /openai/v1/ Entra ID Provisioned(PTU を予約)

同じ OpenAI 互換の API を手元の GPU で動かす方法もあります。自分で動かす場合の違いは、関連記事「vLLMとは|使い方・インストール・OpenAI互換APIとOllamaとの違い」で扱っています。

Azure OpenAI の使い方に関するよくある質問

この節では、Azure OpenAI を使い始めるときによく出る疑問への答えが分かります。

Q. Azure OpenAI Service と Azure OpenAI は別のものですか?
同じサービスの呼び名です。Microsoft Learn の記事の題名では、今は「Azure OpenAI in Microsoft Foundry Models」が使われ、料金のページの題名は「Azure OpenAI Service」のままです。

Q. api-version は今も指定しますか?
v1 API(OpenAI クラスと /openai/v1/)では必須ではない、と公式に書かれています。AzureOpenAI クラスでは、渡さないとクライアントを作る時点で ValueError になりました。

Q. Azure OpenAI 専用のライブラリは要りますか?
Python は公式の openai ライブラリで呼べます。Microsoft Entra ID を使うときは azure-identity も入れます。

Q. model にはモデル名とデプロイ名のどちらを書きますか?
デプロイ名です。公式の記事は、Azure OpenAI ではいつもデプロイ名が要る、と書いています。

Q. 無料で使えますか?
料金のページでは、Standard は入力と出力のトークンに応じた従量課金と説明されています。デプロイの前提には、支払い方法のある Azure サブスクリプションが挙がっています。

Q. コードを書かずに試せますか?
新しい Foundry ポータルでは、デプロイが終わるとプレイグラウンドが開き、その場で試せると公式の記事にあります。

Q. 既存の Azure OpenAI のリソースは Foundry に移す必要がありますか?
公式の記事は、Foundry リソースは Azure OpenAI のリソースの機能をすべて含み、より広いモデルのカタログやエージェントの機能を使えると説明しています。アップグレードしてもリソース名・ネットワーク・API のエンドポイントとキーなどはそのままで、問題があれば条件つきで元に戻せます。既存の Azure OpenAI の機能の料金は上がらない、と書かれています。

Q. 1分に何件送れますか?
デプロイの TPM と、版ごとの RPM の比で決まります。この記事の計算では、50,000 TPM で1件1,500トークンなら1分に約33件でした。

Q. 入力した内容は OpenAI に送られますか?
提供元の説明では、入力と出力は OpenAI には渡らず、OpenAI が運営するサービスともやりとりしません。最新の規約を確かめてから使いましょう。

Q. Responses API と Chat Completions はどちらを使いますか?
公式の Python の例は、まず client.responses.create を載せています。デプロイが Responses API に対応していないと 400 Model not supported が返るので、そのときは client.chat.completions.create に切り替える、と公式の記事にあります。どちらも同じ base_url で呼べます。

まとめ

  • Azure OpenAI は、OpenAI のモデルを Azure の上で使うサービス。今の公式の名前は Azure OpenAI in Microsoft Foundry Models で、Microsoft Foundry の一部。
  • 使い方は、リソースを作る → モデルをデプロイ → エンドポイントとキーで呼ぶ。デプロイの種類は、まず Global Standard から。
  • Python は OpenAI クラスに base_url=".../openai/v1/" を渡し、model にデプロイ名。v1 API では api-version は必須ではない。
  • 以前の AzureOpenAI クラスは、URL にデプロイ名・クエリに api-version・api-key ヘッダー。実測で送り方の違いを確かめられた。
  • 本番は Microsoft Entra ID と Cognitive Services OpenAI User ロール。429 はクォータ(TPM・RPM)の上限で、どちらに当たっているかを計算して直し方を選ぶ。

参考・出典

確認日:2026年11月18日

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「Azure OpenAIの使い方|デプロイ・APIキー・Pythonの呼び出し方」

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。

WE ARE HIRING

RJCで一緒に開発しながら、
成長を楽しみませんか?

RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!

  • 127日年間休日
  • 12時間平均残業時間
  • 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!

ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。

ABOUT RJC RJCがどんな会社か知る 考え方、研修、働き方、福利厚生、社員の前職まで。RJCのことが丸わかり! RJC丸わかりページへ JOB DESCRIPTION 仕事内容・待遇を見てみる 仕事内容、給与・待遇、選考の流れ。経験者も未経験も!応募前に知りたいこと、まとめました! 募集要項を見る ENTRY エントリーする エントリーは1〜2分・履歴書不要です。まずは話を聞いてみたい、という方でも歓迎です! エントリーフォームへ

成長のヒミツ、 ぜんぶ丸わかり