GoogleがGemini Embedding 2のGA版を発表：5つのモダリティを統一埋め込み空間に対応した初のマルチモーダル埋め込みモデル

Googleはgemini-embedding-2モデルの一般提供を発表しました。これはテキスト、画像、動画、音声、PDFドキュメントという5つのモダリティを統一ベクトル空間にマッピングする初のマルチモーダル埋め込みモデルです。モデルは2026年3月10日からプレビュー版で提供されており、現在はGemini APIを通じてすべてのユーザーに公開されています。

この発表は埋め込みモデルの分野で重要なマイルストーンを示しています。これまでの研究はテキストまたはテキスト-画像のペアを主にカバーしていました。音声と動画を一貫してカバーするモデルはほとんどなく、PDFを第一級のモダリティとして扱うことはほぼ未知の領域でした。

埋め込みとは何で、なぜ重要なのですか？

埋め込みとはベクトル形式での入力の数値表現——コンテンツの意味を記述する数列です。埋め込みはセマンティック検索、RAG（検索拡張生成）システム、分類、重複検出、レコメンデーションに使用されます。

核心的なアイデアは、類似した入力がベクトル空間で互いに近いということです。これまでは主にテキスト対テキスト、または画像対画像でした。統一空間でのマルチモーダル埋め込みは、テキストクエリ「猫が跳ぶ」が猫の写真、猫の動画クリップ、鳴き声の音声——特別な変換なしにすべてを見つけられることを意味します。

サポートされている入力タイプは何ですか？

モデルは5つの入力タイプをサポートしています：

• テキスト — 埋め込みの典型的なソースで、通常は検索とRAGに使用
• 画像 — 写真、スクリーンショット、グラフィック
• 動画 — 短いクリップや長い録画
• 音声 — 音声、音楽、音響イベント
• PDF — テキスト、画像、表が混在した完全なドキュメント

PDFが第一級のモダリティであるという事実は、ユーザーがドキュメントからテキストと画像を手動で抽出する必要がないことを意味します。モデルがこれを内部で行い、ドキュメント全体を記述する単一のベクトルを生成します。

実際の用途は何ですか？

最も明白な用途は、異種コンテンツに対する高度なセマンティック検索です。ドキュメント、画像、会議の録音が混在する組織は、すべてを同じベクトルインデックスにインデックスして、任意のメディアを任意のクエリで検索できます。

RAGアプリケーションを構築する開発者や企業にとって、マルチモーダル埋め込みはアーキテクチャを簡素化します。PDFからテキストを抽出するパイプライン、別のモデルで画像を処理、さらに3つ目のモデルで音声を処理する代わりに、すべてが1回のAPIコールで完結します。これにより複雑さが減り、おそらくコストも削減されます。

GAリリースがすべての用途に自動的にモデルが完璧であることを意味するわけではありません——精度は具体的なデータとドメインに依存します。本番パイプライン全体を移行する前に、自分のデータセットでモデルをテストすることをお勧めします。