i18n(ja): restore admonition labels to English (Note/Warning/Tip)

CONTRIBUTING.md

@@ -61,7 +61,7 @@ TiDB 用の新しいドキュメントを作成する場合は、当社のスタ
 
 このリポジトリへのプルリクエストを作成するには、以下の手順を実行してください。コマンドを使いたくない場合は、 [GitHubデスクトップ](https://desktop.github.com/)使用することもできます。こちらの方が簡単です。
 
-> **注記：**
+> **Note:**
 >
 > このセクションでは、ブランチ`master`への PR の作成を例に説明します。他のブランチへの PR の作成手順も同様です。
 
@@ -146,7 +146,7 @@ TiDB 用の新しいドキュメントを作成する場合は、当社のスタ
 
 現在、 [TiDB Cloudドキュメント](https://docs.pingcap.com/tidbcloud/)英語版のみで提供されており、SQLドキュメントとTiDB v8.1の開発ドキュメントを再利用するために、このリポジトリの[リリース8.1](https://github.com/pingcap/docs/tree/release-8.1/tidb-cloud)ブランチに保存されています。したがって、 TiDB Cloudドキュメントのプルリクエストを作成する場合は、プルリクエストが[リリース8.1](https://github.com/pingcap/docs/tree/release-8.1)ブランチに基づいていることを確認してください。
 
-> **ヒント：**
+> **Tip:**
 >
 > TiDB Cloudによって再利用される TiDB ドキュメントを確認するには、 [TiDB Cloudドキュメントの TOC ファイル](https://github.com/pingcap/docs/blob/release-8.1/TOC-tidb-cloud.md?plain=1)確認してください。
 >

ai/concepts/vector-search-overview.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidb/stable/vector-search-overview/','/ja/tidb/dev/vector-search-
 
 ベクトル検索は、文書、画像、音声、動画など、多様なデータタイプにわたる意味的類似性検索のための強力なソリューションを提供します。開発者は、MySQLの専門知識を活用して、生成型AI機能を備えた拡張性の高いアプリケーションを構築でき、高度な検索機能の統合を簡素化できます。
 
-> **注記：**
+> **Note:**
 >
 > -   ベクトル検索機能はパブリックプレビューです。予告なく変更される場合があります。バグを発見した場合は、GitHubで[問題](https://github.com/pingcap/tidb/issues)を報告してください。
 > -   ベクトル検索機能は、 [TiDB Self-Managed](/overview.md) および [{{{ .starter }}}](/tidb-cloud/select-cluster-tier.md#starter)で利用できます。TiDB Self-Managedの場合、TiDBのバージョンはv8.4.0以降である必要があります（v8.5.0以降を推奨）。

ai/guides/auto-embedding.md

@@ -7,7 +7,7 @@ summary: アプリケーションで自動埋め込みを使用する方法を
 
 自動埋め込み機能は、テキスト データのベクトル埋め込みを自動的に生成します。
 
-> **注記：**
+> **Note:**
 >
 > 自動埋め込みの完全な例については、 [自動埋め込みの例](/ai/examples/auto-embedding-with-pytidb.md)参照してください。
 

ai/guides/connect.md

@@ -44,7 +44,7 @@ db = TiDBClient.connect(
 )
 ```
 
-> **注記：**
+> **Note:**
 >
 > TiDB Cloud Starterの場合、パブリック エンドポイントを使用する場合はデータベース[データベースへのTLS接続](https://docs.pingcap.com/tidbcloud/secure-connections-to-serverless-clusters/)が必要です。 `pytidb`クライアントは、 TiDB Cloud Starterインスタンスの TLS を**自動的に**有効にします。
 
@@ -67,7 +67,7 @@ db = TiDBClient.connect(
 )
 ```
 
-> **注記：**
+> **Note:**
 >
 > テスト用にTiDBクラスタをデプロイするために`tiup playground`を使用する場合、デフォルトのホストは`127.0.0.1`で、デフォルトのパスワードは空です。
 
@@ -97,7 +97,7 @@ db = TiDBClient.connect(
 )
 ```
 
-> **注記：**
+> **Note:**
 >
 > TiDB Cloud Starterの場合、パブリック エンドポイントを使用する場合はデータベース[データベースへのTLS接続](https://docs.pingcap.com/tidbcloud/secure-connections-to-serverless-clusters/)が必要となるため、接続文字列に`ssl_verify_cert=true&ssl_verify_identity=true`を設定する必要があります。
 
@@ -114,7 +114,7 @@ db = TiDBClient.connect(
 )
 ```
 
-> **注記：**
+> **Note:**
 >
 > `tiup playground`を使用してテスト用のTiDBクラスタをデプロイする場合、接続文字列は次のとおりです。
 >

ai/guides/filtering.md

@@ -185,6 +185,6 @@ results = table.query(
 
 `AND` 、 `OR` 、括弧を使用して複数の条件を組み合わせたり、TiDB でサポートされている[SQL演算子](https://docs.pingcap.com/tidbcloud/operators/)使用したりできます。
 
-> **警告：**
+> **Warning:**
 >
 > 動的なユーザー入力で SQL 文字列フィルターを使用する場合は、 [SQLインジェクション](https://en.wikipedia.org/wiki/SQL_injection)脆弱性を防ぐために常に入力を検証します。

ai/guides/image-search.md

@@ -9,7 +9,7 @@ summary: アプリケーションで画像検索を使用する方法を学び
 
 TiDBは**ベクトル検索**による画像検索を可能にします。自動埋め込み機能により、画像URL、PIL画像、またはキーワードテキストからマルチモーダル埋め込みモデルを用いて画像埋め込みを生成できます。TiDBはその後、類似ベクトルを大規模に検索します。
 
-> **注記：**
+> **Note:**
 >
 > 画像検索の完全な例については、 [画像検索の例](/ai/examples/image-search-with-pytidb.md)参照してください。
 

ai/guides/tables.md

@@ -13,7 +13,7 @@ TiDBは、関連するデータのコレクションを整理して保存する
 
 `pytidb`は、開発者が AI アプリケーションを効率的に構築できるように設計されています。
 
-> **注記：**
+> **Note:**
 >
 > 完全な動作例については、リポジトリの[基本的な例](https://github.com/pingcap/pytidb/tree/main/examples/basic)参照してください。
 
@@ -190,7 +190,7 @@ VALUES (1, 'TiDB is a distributed SQL database', '[0.1, 0.2, 0.3]', '{"category"
 
 `save`メソッドは、単一の行を挿入または更新する便利な方法を提供します。行の場合、主キーがテーブルに存在しない場合、このメソッドは新しい行としてテーブルに挿入します。レコードが既に存在する場合、このメソッドは行全体を上書きします。
 
-> **注記：**
+> **Note:**
 >
 > テーブル内にレコードIDが既に存在する場合、 `table.save()`​​レコード全体を上書きします。レコードの一部のみを変更するには、 `table.update()`使用します。
 

ai/guides/vector-search-full-text-search-python.md

@@ -18,7 +18,7 @@ TiDBの全文検索機能は、以下の機能を提供します。
 
 -   **SQLとの完全な互換性**：事前フィルタリング、事後フィルタリング、グループ化、結合など、すべてのSQL機能を全文検索で使用できます。
 
-> **ヒント：**
+> **Tip:**
 >
 > SQL の使用法については、 [SQLによる全文検索](/ai/guides/vector-search-full-text-search-sql.md)参照してください。
 >

ai/guides/vector-search-full-text-search-sql.md

@@ -18,7 +18,7 @@ TiDBの全文検索機能は、以下の機能を提供します。
 
 -   **SQLとの完全な互換性**：事前フィルタリング、事後フィルタリング、グループ化、結合など、すべてのSQL機能を全文検索で使用できます。
 
-> **ヒント：**
+> **Tip:**
 >
 > Python の使い方については、 [Pythonによる全文検索](/ai/guides/vector-search-full-text-search-python.md)ご覧ください。
 >

ai/guides/vector-search.md

@@ -7,7 +7,7 @@ summary: アプリケーションでベクトル検索を使用する方法を
 
 ベクトル検索では、意味的類似性を使用して、クエリにすべてのキーワードが明示的に含まれていない場合でも、最も関連性の高いレコードを見つけやすくします。
 
-> **注記：**
+> **Note:**
 >
 > ベクトル検索の完全な例については、 [ベクトル検索の例](/ai/examples/vector-search-with-pytidb.md)参照してください。
 
@@ -111,7 +111,7 @@ VALUES
     (3, 'tree', '[1,0,0]', '{"category": "plant"}');
 ```
 
-> **注記：**
+> **Note:**
 >
 > 実際のアプリケーションでは、埋め込みは通常[埋め込みモデル](/ai/concepts/vector-search-overview.md#embedding-model)によって生成されます。
 
@@ -321,7 +321,7 @@ results = (
 )
 ```
 
-> **注記：**
+> **Note:**
 >
 > ベクトルインデックスを使用する場合、最後の`limit`が非常に小さいと結果の精度が低下する可能性があります。3 `.num_candidate()`の方法を使用すると、ベクトル検索フェーズでベクトルインデックスから取得する候補の数を、 `limit`番目のパラメータを変更せずに制御できます。
 
@@ -356,7 +356,7 @@ ORDER BY distance
 LIMIT 10;
 ```
 
-> **注記：**
+> **Note:**
 >
 > 後続フィルタリングパターンにより、結果が空になる場合があります。例えば、内部クエリで最も類似度の高い上位50件のレコードが取得されるものの、条件`WHERE`に一致するレコードが1件も存在しない場合などです。
 >

ai/integrations/embedding-openai-compatible.md

@@ -7,7 +7,7 @@ summary: TiDB Vector SearchをOpenAI互換の埋め込みモデルと統合し
 
 このチュートリアルでは、OpenAI互換の埋め込みサービスを使用してテキスト埋め込みを生成し、TiDBに保存し、意味検索を実行する方法を説明します。
 
-> **注記：**
+> **Note:**
 >
 > 現在、 [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 

ai/integrations/vector-search-auto-embedding-amazon-titan.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-amazon-titan/']
 
 このドキュメントでは、Amazon Titanの埋め込みモデルをTiDB Cloudで[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)に使用して、テキストクエリによるセマンティック検索を実行する方法について説明します。
 
-> **注記：**
+> **Note:**
 >
 > [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 

ai/integrations/vector-search-auto-embedding-cohere.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-cohere/']
 
 このドキュメントでは、 TiDB Cloudで Cohere 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)で使用する方法、テキストクエリによるセマンティック検索を実行する方法について説明します。
 
-> **注記：**
+> **Note:**
 >
 > [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 
@@ -70,7 +70,7 @@ CREATE TABLE sample (
 );
 ```
 
-> **注記：**
+> **Note:**
 >
 > -   Cohere埋め込みモデルの場合、テーブルを定義する際に、{{ `input_type` `EMBED_TEXT()` }を指定する必要があります。例えば、 `'{"input_type": "search_document", "input_type@search": "search_query"}'`は、データ挿入時に`input_type`が`search_document`に設定され、ベクトル検索時に`search_query`が自動的に適用されることを意味します。
 > -   `@search`サフィックスは、そのフィールドがベクトル検索クエリの実行時のみ有効であることを示しています。そのため、クエリを作成する際に`input_type`を再度指定する必要はありません。

ai/integrations/vector-search-auto-embedding-gemini.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-gemini/']
 
 このドキュメントでは、 TiDB Cloudで Gemini 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)使用する方法、およびテキストクエリによるセマンティック検索を実行する方法について説明します。
 
-> **注記：**
+> **Note:**
 >
 > [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 

ai/integrations/vector-search-auto-embedding-huggingface.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-huggingface/']
 
 このドキュメントでは、 TiDB Cloudで Hugging Face 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)使用する方法、テキストクエリによる意味検索を実行する方法について説明します。
 
-> **注記：**
+> **Note:**
 >
 > [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 
@@ -192,7 +192,7 @@ LIMIT 2;
 
 ## Qwen3-Embedding-0.6B {#qwen3-embedding-0-6b}
 
-> **注記：**
+> **Note:**
 >
 > このモデルでは、Hugging Face Inference APIが不安定になる可能性があります。
 
@@ -289,7 +289,7 @@ class Document(TableModel):
 table = tidb_client.create_table(schema=Document, if_exists="overwrite")
 ```
 
-> **ヒント：**
+> **Tip:**
 >
 > ベクトルの次元は、選択したモデルによって異なります。たとえば、 `huggingface/sentence-transformers/all-MiniLM-L6-v2`は 384 次元のベクトルを生成し、 `huggingface/sentence-transformers/all-mpnet-base-v2`は 768 次元のベクトルを生成します。
 

ai/integrations/vector-search-auto-embedding-jina-ai.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-jina-ai/']
 
 このドキュメントでは、TiDB Cloudで[Jina AI埋め込みモデル](https://jina.ai/embeddings/)with [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)を使用して、テキスト クエリによるセマンティック検索を実行する方法について説明します。
 
-> **注記：**
+> **Note:**
 >
 > [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 

ai/integrations/vector-search-auto-embedding-nvidia-nim.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-nvidia-nim/']
 
 このドキュメントでは、TiDB CloudでNVIDIA NIM埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)使用して、テキストクエリによるセマンティック検索を実行する方法について説明します。
 
-> **注記：**
+> **Note:**
 >
 > [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 

ai/integrations/vector-search-auto-embedding-openai.md

@@ -8,7 +8,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-openai/']
 
 このドキュメントでは、 TiDB Cloudで OpenAI 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)で使用する方法、テキストクエリによる意味検索を実行する方法について説明します。
 
-> **注記：**
+> **Note:**
 >
 > [自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)、AWS でホストされているTiDB Cloud Starterインスタンスでのみ利用できます。
 
@@ -262,7 +262,7 @@ Azure OpenAI から OpenAI に直接切り替えるには、 `TIDB_EXP_EMBED_OPE
 SET @@GLOBAL.TIDB_EXP_EMBED_OPENAI_API_BASE = '';
 ```
 
-> **注記：**
+> **Note:**
 >
 > -   セキュリティ上の理由から、API ベースとして設定できるのは Azure OpenAI の URL または OpenAI の URL のみです。任意のベース URL は許可されていません。
 > -   OpenAI互換の別の埋め込みサービスを利用するには、 [TiDB Cloudサポート](/tidb-cloud/tidb-cloud-support.md)にお問い合わせください。

ai/integrations/vector-search-auto-embedding-overview.md

@@ -14,13 +14,13 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-overview/']
 2.  **テキストデータを挿入すると**、ベクトルが自動的に生成され保存されます。
 3.  **テキストを使用してクエリを実行します**。 `VEC_EMBED_COSINE_DISTANCE()`または`VEC_EMBED_L2_DISTANCE()`を使用して、意味的に類似したコンテンツを検索します。
 
-> **注記：**
+> **Note:**
 >
 > 自動埋め込み機能は、AWS上でホストされているTiDB Cloud Starterインスタンスでのみ利用可能です。
 
 ## クイックスタートの例 {#quick-start-example}
 
-> **ヒント：**
+> **Tip:**
 >
 > Python の使用方法については、 [Pythonで自動埋め込みを使用する](#use-auto-embedding-in-python)を参照してください。
 
@@ -99,7 +99,7 @@ ORDER BY VEC_EMBED_COSINE_DISTANCE(
 LIMIT 3;
 ```
 
-> **注記：**
+> **Note:**
 >
 > -   ベクトルインデックスを定義する場合は、 `VEC_COSINE_DISTANCE()`または`VEC_L2_DISTANCE()`を使用します。
 > -   クエリを実行する際は、 `VEC_EMBED_COSINE_DISTANCE()`または`VEC_EMBED_L2_DISTANCE()`を使用してください。

ai/integrations/vector-search-integrate-with-amazon-bedrock.md

@@ -6,13 +6,13 @@ aliases: ['/ja/tidbcloud/vector-search-integrate-with-amazon-bedrock/']
 
 # TiDB Vector SearchをAmazon Bedrockと統合する {#integrate-tidb-vector-search-with-amazon-bedrock}
 
-> **注記：**
+> **Note:**
 >
 > このドキュメントはTiDB Cloudにのみ適用され、TiDB Self-Managedには適用されません。
 
 このチュートリアルでは[TiDB ベクトル検索](/ai/concepts/vector-search-overview.md)と[Amazon Bedrock](https://aws.amazon.com/bedrock/)を統合して、検索拡張生成 (RAG) Q&A ボットを構築する方法を説明します。
 
-> **注記：**
+> **Note:**
 >
 > -   ベクトル検索機能はパブリックプレビューです。予告なく変更される場合があります。バグを発見した場合は、GitHubで[問題](https://github.com/pingcap/tidb/issues)を報告してください。
 > -   ベクトル検索機能は、 [TiDB Self-Managed](/overview.md) と [{{{ .starter }}}](/tidb-cloud/select-cluster-tier.md#starter) で利用できます。TiDB Self-Managedの場合、TiDBのバージョンはv8.4.0以降である必要があります（v8.5.0以降を推奨）。
@@ -70,13 +70,13 @@ aliases: ['/ja/tidbcloud/vector-search-integrate-with-amazon-bedrock/']
 
     -   お使いの環境に合った**オペレーティングシステム**を選択してください。
 
-    > **ヒント：**
+    > **Tip:**
     >
     > プログラムがWindows Subsystem for Linux（WSL）上で実行されている場合は、対応するLinuxディストリビューションに切り替えてください。
 
 4.  **「パスワードを生成」を**クリックすると、ランダムなパスワードが生成されます。
 
-    > **ヒント：**
+    > **Tip:**
     >
     > 以前にパスワードを作成したことがある場合は、元のパスワードを使用するか、 **「パスワードをリセット」**をクリックして新しいパスワードを生成できます。