Gemini Embedding 2は、Googleが2026年4月22日にGemini APIおよびGemini Enterprise Agent Platform経由で正式リリース（GA）したエンベディングモデルです。プレビュー期間を経て正式版に昇格したこのモデルは、テキストだけでなく画像・動画・音声・PDFの5種類の入力をサポートし、すべてを同じベクトル空間にマッピングできる点が最大の特長です。

出典 Google The Keyword Blog（2026年4月22日）

エンベディング（埋め込み表現）とは、テキストや画像などのデータを数値ベクトルに変換する技術です。たとえば「犬」と「ペット」のようにテキスト上は異なる言葉でも、意味が近ければ近いベクトルに変換されます。これにより「キーワード一致」ではなく「意味の近さ」で検索できるセマンティック検索が可能になります。従来のエンベディングモデルの多くはテキスト専用でしたが、Gemini Embedding 2ではテキスト・画像・動画・音声・PDFのすべてが同じ空間に配置されるため、「テキストで検索して関連する画像や動画がヒットする」といったクロスモーダル検索が実現します。

プレビュー期間中には、ECサイトの商品検索での画像＋テキスト横断検索や、監視カメラ映像のシーン検索、カスタマーサポートの通話録音から類似ケースを検索するといったユースケースで導入実績が生まれています。従来であれば、テキスト検索用、画像検索用、音声検索用にそれぞれ別のモデルとインデックスを用意する必要がありましたが、Gemini Embedding 2ではこれが1つのモデルとインデックスに統合されます。システムの複雑さが大幅に減り、運用コストの削減にもつながります。

Gemini Embedding 2が対応する5つの入力モダリティを整理します。従来のエンベディングモデルがテキストのみ、あるいはテキスト＋画像の2種に限られていたのに対して、動画・音声・PDFまで網羅している点が革新的です。すべての入力が同一の3072次元ベクトル空間にマッピングされるため、モダリティをまたいだ類似度計算がそのまま可能です。

テキスト入力 — 8,192トークンの長文対応

テキスト入力は最大8,192トークンをサポートしています。日本語に換算するとおよそ6,000〜7,000文字程度で、一般的なブログ記事やビジネス文書1本分を丸ごとベクトル化できます。OpenAIのtext-embedding-3-largeが同じく8,191トークンを上限としているため、テキスト処理能力では同等水準です。ただしGemini Embedding 2は100以上の言語でMTEB Multilingualリーダーボード1位を獲得しており、日本語・中国語・韓国語などCJK言語でのセマンティック検索精度が特に高く評価されています。

画像入力 — 1リクエスト最大6枚まで

画像はPNGとJPEGに対応しており、1回のAPIリクエストで最大6枚を処理できます。ECサイトでの「この画像に似た商品を探す」というビジュアル検索や、製造業の品質検査で「この不良品に似た過去事例を検索する」といった使い方が想定されます。画像とテキストが同じベクトル空間に配置されるため、「赤いスニーカー」というテキストクエリで赤いスニーカーの画像がヒットするクロスモーダル検索も実現します。競合のCohere embed-v4もテキスト＋画像のマルチモーダルに対応していますが、動画・音声・PDFには非対応であり、Gemini Embedding 2の優位性はモダリティの広さにあります。

動画・音声・PDF — 非テキストデータの直接エンベディング

動画は128秒（MP4, MOV）、音声は80秒（MP3, WAV）、PDFは6ページまでをサポートしています。特筆すべきは、音声を文字起こし（Speech-to-Text）せずに直接エンベディングする点です。従来のアプローチでは「音声→テキスト変換→テキストをエンベディング」という2段階が必要でしたが、Gemini Embedding 2では音声の波形情報をそのままベクトル化します。これにより文字起こしの誤変換による精度低下を回避でき、話者のトーンや抑揚といった非言語情報もベクトルに反映されます。コールセンターの通話録音から「怒っている顧客の類似ケース」を検索するといった、テキストだけでは不可能だった用途が開けます。

Gemini Embedding 2が採用するMatryoshka Representation Learning（MRL）は、エンベディングの実運用における大きな課題を解決する技術です。エンベディングモデルの次元数が大きいほど表現力は高まりますが、ベクトルデータベースのストレージコストとクエリ応答時間も比例して増加します。Matryoshkaは、ロシアの入れ子人形（マトリョーシカ）のように、高次元ベクトルの先頭部分を切り取るだけで低次元ベクトルとしても機能する仕組みです。

Gemini Embedding 2では、デフォルトの3072次元に加えて、2048、1536、768、512、256、128の6段階に切り詰めることが可能です。重要なのは、次元削減にあたってモデルの再学習が不要だという点です。APIリクエスト時にパラメータで次元数を指定するだけで、即座にその次元数のベクトルが返されます。たとえば「まず128次元で高速な粗い検索を行い、上位候補に対して3072次元で精密なリランキングを行う」という2段階検索を、同一モデルで実現できます。

コスト面のインパクトも大きいです。3072次元から128次元に切り詰めた場合、ベクトルデータのストレージサイズは約96%削減されます。100万件のドキュメントを3072次元（float32）で保存すると約11.5GBのストレージが必要ですが、128次元なら約488MBで済みます。プロトタイピング段階では128次元でコストを抑え、本番環境で精度が必要な部分だけ3072次元に引き上げるといった柔軟な運用が可能です。

Gemini Embedding 2では、エンベディングの用途に応じて8種類のタスクタイプを指定できます。タスクタイプを指定することで、同じテキストでも用途に最適化されたベクトルが生成されます。たとえば「document_retrieval」を指定すればドキュメント検索に強いベクトルが、「classification」を指定すればテキスト分類に最適化されたベクトルが得られます。

Gemini API Embeddings ドキュメントページ

ドキュメント検索のケースでは、インデックス構築時にはドキュメント側を「document_retrieval」で、ユーザーの検索クエリは「query_retrieval」でエンベディングするのが推奨されています。クエリとドキュメントでは文の長さや表現が大きく異なるため、それぞれに最適化されたベクトルを使うことで検索精度が向上します。OpenAIのtext-embedding-3シリーズにはこのようなタスクタイプ指定機能がないため、Gemini Embedding 2の明確なアドバンテージです。

fact_verificationタスクタイプは、生成AIのハルシネーション対策として注目されています。LLMが生成した文章を事実検証用ベクトルに変換し、信頼できるソースのベクトルとの類似度を計算することで、「生成された主張がどの程度既知の事実と整合するか」を定量的にスコアリングできます。生成AIを業務に導入する際のセーフティネットとして、今後需要が高まる領域です。

エンベディングモデルの選定においてコストは重要な判断材料です。特にエンベディングはデータ量に比例してAPI呼び出し回数が増えるため、大規模データを扱う場合のコスト差は無視できません。Gemini Embedding 2の料金体系を競合と比較します。

Gemini Embedding 2の料金体系

テキストのみの場合、100万トークンあたり$0.20はOpenAIのtext-embedding-3-large（$0.13）よりも約54%高く、Cohereのembed-v4（$0.10）の2倍です。純粋にテキスト検索だけを行うのであれば、コスト面ではOpenAIやCohereに分があります。ただしGemini Embedding 2のBatch処理（50%割引で$0.10）を活用すれば、Cohereと同水準まで下がります。大量のドキュメントを一括処理する初回インデックス構築ではBatch APIを活用するのが賢明です。

競合モデルとの比較表

この比較で注目すべきは「テキスト単価だけでは語れない」という点です。マルチモーダル対応が不要で、テキスト検索だけに用途が限定されるなら、OpenAI text-embedding-3-small（$0.02/1Mトークン）が圧倒的にコストパフォーマンスが高いです。一方で、画像・動画・音声・PDFを含む横断検索が必要なユースケースでは、そもそも他のモデルでは実現できないため、Gemini Embedding 2が唯一の選択肢になります。「テキスト検索は安いモデルで、マルチモーダル検索はGemini Embedding 2で」というハイブリッド構成も、コスト最適化の現実的なアプローチです。

RAG（Retrieval-Augmented Generation、検索拡張生成）は、LLMが回答を生成する際に外部データベースから関連情報を検索して参照する手法です。「LLMの知識にない最新情報や社内データを回答に反映させる」ためにRAGが広く使われていますが、従来のRAGはテキスト検索に限定されていました。Gemini Embedding 2の登場により、RAGのRetrievalステップにマルチモーダル検索を組み込めるようになります。

たとえば製造業の品質管理を考えてみましょう。これまでのRAGでは「過去の不良品レポート（テキスト）」だけが検索対象でした。Gemini Embedding 2を使えば、テキストレポートに加えて「不良品の写真」「検査工程の動画」「検査員の音声メモ」「品質基準のPDF」のすべてが同じベクトル空間で検索対象になります。「この製品の傷に似た過去の不良事例を見つけて」というクエリに対して、テキストレポートだけでなく過去の不良品画像や検査動画も含めた結果が返されます。

小売業でも活用の幅が広がります。カスタマーサポートにおいて、顧客が「この商品と似たものはありますか」と商品画像を送ってきた場合、画像をエンベディングして類似商品を検索し、その商品情報をLLMに渡して自然な回答を生成する、というフローが1つのモデルで完結します。テキスト検索では「赤い花柄のワンピース」のような言語化が必要でしたが、画像検索では言語化できない微妙なデザインの類似性も捉えられます。

Gemini Embedding 2への移行を検討する際に最も重要な注意点があります。gemini-embedding-001とgemini-embedding-2のベクトル空間は非互換です。これは、旧モデルで生成したベクトルと新モデルで生成したベクトルの間で類似度計算を行っても意味のある結果が得られないことを意味します。移行する場合は、既存データの全件再エンベディングが必須です。

再エンベディングのコストと時間は、データ規模に直結します。たとえば100万件のテキストドキュメント（平均500トークン）を再エンベディングする場合、5億トークン × $0.20/1Mトークン = $100のAPI費用が発生します。Batch APIを使えば$50です。テキストだけであれば許容範囲のコストですが、画像100万枚（$450）、動画10万本（$1,200以上）となると、マルチモーダルデータの再処理コストは慎重に見積もる必要があります。

移行計画を立てる際には以下のポイントを押さえておくとスムーズです。

再エンベディングは手間がかかりますが、見方を変えれば、蓄積されたデータ資産をより高精度なベクトルに一新するチャンスでもあります。特にMatryoshkaによる次元数最適化やタスクタイプの指定は旧モデルにはなかった機能であり、移行と同時にこれらを導入することで検索精度とコスト効率の両方を改善できます。

はてなベースでは、社内業務の効率化のために独自のRAGシステムを運用しています。60,000以上のファイル・約68万チャンクをインデックス化し、プロジェクト横断で情報を検索できる仕組みを構築しています。現在はテキストベースの検索が中心ですが、Gemini Embedding 2のマルチモーダル対応は、この仕組みを拡張する大きな可能性を持っています。

たとえばDX事業部では、顧客向けシステムの設計書（PDF）、操作マニュアル（テキスト）、デモ動画、ミーティング録音など、多様な形式の情報が日々蓄積されています。現状ではテキスト化可能なドキュメントだけが検索対象ですが、Gemini Embedding 2を導入すれば、設計書PDFを直接エンベディングし、「この機能に似た設計パターンの過去事例」を検索するといった使い方が可能になります。動画や音声の直接エンベディングにより、「前回のクライアントミーティングで話題になった仕様変更の議論」を音声録音から直接検索することも現実的になります。

コスト面では、テキストのみの再エンベディングであればBatch APIを使って比較的低コストで移行できます。一方でマルチモーダルデータの本格的な導入は、動画（$12.00/1Mトークン）や音声（$6.50/1Mトークン）のコストを考慮すると、優先度の高いデータから段階的に進めるのが現実的です。Matryoshkaによる次元数削減を活用して、まずは256次元でプロトタイピングし、精度を確認してから本番次元数を決定するアプローチが有効でしょう。

Gemini Embedding 2は、エンベディングモデルの「テキスト専用」という常識を打ち破るモデルです。テキスト・画像・動画・音声・PDFの5種類を統一ベクトル空間にマッピングし、Matryoshkaで128〜3072次元を再学習なしで切り替え、100以上の言語でMTEB Multilingual 1位の精度を実現しています。8つのタスクタイプによる用途別最適化も、競合にはない強みです。

テキスト単価だけで見ればOpenAIやCohereの方が安価ですが、マルチモーダル検索という機能面での差別化は圧倒的です。「テキスト以外のデータも検索対象にしたい」というニーズがあるなら、現時点でGemini Embedding 2が最も有力な選択肢です。一方で移行にはベクトル空間の非互換性に伴う全件再エンベディングが必要なため、コストとスケジュールの見積もりは慎重に行いましょう。

企業のデータ資産はテキストだけではありません。会議の録音、製品の写真、操作マニュアルのPDF、研修動画など、あらゆる形式の情報が日常的に蓄積されています。Gemini Embedding 2は、これらのデータを初めて「統一的に検索可能」にするモデルです。RAGの次のステージとして、マルチモーダル検索の導入を検討してみてはいかがでしょうか。