声も動画も検索できるGemma——無料だが動かすのは自分の環境

何が変わったか

2026年10月6日、Google は EmbeddingGemma 2 を発表しました（出典: https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/）。公式ページに書かれている数字だけで3行にまとめます。

• 文章だけでなく画像・動画・音声も、1つの768次元のベクトル空間にまとめて検索できるモデルです。前世代（EmbeddingGemma、2025年9月発表）は文章専用でした（出典: 同上）。
• 商用利用も含めて、無料で使えます。パラメータ（モデルの重み）そのものを、Hugging Face と Kaggle から無料でダウンロードできます（出典: 同上）。
• パラメータは合計7.4億。文章だけで使うなら2.7億パラメータで動き、画像用（1.7億）・音声用（3.0億）のエンコーダーは必要なときだけ追加する構成です（出典: 同上）。

先に断っておきます。この記事は運営者がこのモデルを動かした記録ではありません。公式ページとモデルカードに書かれていることを読んで整理したものです。実際に動かしたときの速さや精度は書いていません。

前のモデルとの違い

数字で見る変化

	EmbeddingGemma（2025年9月発表）	EmbeddingGemma 2（2026年10月6日発表）
モダリティ	テキストのみ	テキスト・画像・動画・音声
パラメータ（テキスト専用の構成）	3.00億	2.70億
読める長さ（コンテキスト）	2,048トークン	8,192トークン（4倍）
出力の次元	768（512/256/128に切り詰め可）	768（512/256/128に切り詰め可）
MTEBコード（NDCG@10）	68.76	78.68
MTEB多言語（v2・平均）	61.15	61.36
ライセンス	Gemma利用規約（使用制限あり）	Apache 2.0（制限条項なし）

出典: EmbeddingGemma 2 モデルカード（https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2。比較表に旧モデルの数値も載っています）、EmbeddingGemma（v1）モデルカード（https://ai.google.dev/gemma/docs/embeddinggemma/model_card）、Gemma利用規約（https://ai.google.dev/gemma/terms）

読める長さは前世代の4倍（2,048→8,192トークン）に広がりました。音声や動画をまとめて渡せるのは、この広がりが前提になっています（出典: 同上）。

コードの検索精度も上がりました。MTEBコード（NDCG@10）の点数は68.76から78.68に上がった一方、MTEB多言語（v2・平均）は61.15から61.36とほとんど変わっていません（出典: 同上）。全部の指標が同じだけ良くなったわけではありません。

この同じコードの点数を、Googleは2つの公式ページで違う言い方で説明しています。

• 発表ページ：「9.92点の改善」
• モデルカード：「約14%の改善」

9.92÷68.76は約14.4%なので、どちらも同じ結果の言い方です（出典: https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/ と https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2）。読む場所によって印象が変わるので、両方の書き方をそのまま残しておきます。

もう1つ、見つけた変化があります。ライセンスです。前世代は「Gemma利用規約」で、禁止用途ポリシーや再配布時の表記義務など使用制限が付いていました。EmbeddingGemma 2のモデルカードには、独立した「License: Apache 2.0」という表記があります（出典: https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2 と https://ai.google.dev/gemma/terms）。Apache 2.0はGoogle独自の使用制限を持たない、一般的なオープンソースライセンスです。

使うときの注意点

モデルカードには、使い方を誤ると静かに結果が崩れる注意が2つ書かれています。開発者に伝える・依頼するときに役立つ内容です。

float16で動かすと、NaN（非数）か、静かに劣化した埋め込みが返ってきます。エラーにはなりません（出典: 同上）。bfloat16かfloat32を使うよう、モデルカードは明記しています。

768次元から切り詰めたあと、正規化（normalize）をしないと、検索の精度が静かに落ちます。見た目はそれっぽいスコアが返るので、エラーでは気づけません（出典: 同上）。truncate_dim と normalize_embeddings を同時に指定するよう、モデルカードは勧めています。

他社の最上位モデルとの比較

ここからが、この記事でいちばん断っておきたい点です。EmbeddingGemma 2には「単価」がありません。重みを無料で公開していて、動かすのは自分のパソコンやサーバーだからです。OpenAIとAnthropicは、そもそも埋め込みモデルの売り方（提供形態）が違います（出典: 同上）。まず提供形態を並べます。

Anthropicの公式ドキュメントには「Anthropicは自社の埋め込みモデルを提供していない」と明記されています。代わりに紹介されているのが、MongoDB傘下のVoyage AIです（出典: https://platform.claude.com/docs/en/docs/build-with-claude/embeddings）。

OpenAIは自社で埋め込みモデルを3つ提供しています。単価は次のとおりです。

モデル	単価（100万トークンあたり）	MTEB（OpenAI自身の評価）	最大入力
text-embedding-3-small	$0.02	62.3%	8,192トークン
text-embedding-3-large	$0.13	64.6%	8,192トークン
text-embedding-ada-002（旧世代）	$0.10	61.0%	8,192トークン

出典: すべて https://developers.openai.com/api/docs/guides/embeddings（料金ページ https://developers.openai.com/api/docs/pricing の数字とも一致）

text-embedding-3-largeの$0.13は、料金ページの画面には表として出ますが、ページの生データ（埋め込みJSON）では$記号の付かない0.13という数値で持たれています。要約させずにこの生データを直接確認しました。

OpenAIの3モデルはいずれもテキストのみです。画像・動画・音声は埋め込みの入力にできません（出典: 同上。ガイドに画像・音声入力の記載はありません）。

Anthropicが紹介しているVoyage AIには、マルチモーダル対応のモデルもあります。読める長さと次元を3社で比べました。

	EmbeddingGemma 2	text-embedding-3-large（OpenAI）	voyage-multimodal-3.5（Voyage AI）
提供元	Google（自社）	OpenAI（自社）	MongoDB傘下。Anthropicが紹介
対応モダリティ	テキスト・画像・動画・音声	テキストのみ	テキスト・画像・動画（音声は非対応）
読める長さ	8,192トークン	8,192トークン	32,000トークン
出力の次元（既定）	768	3,072	1,024
単価（テキスト・100万トークン）	無料（自分の環境で動かす）	$0.13	確認できず

出典: EmbeddingGemma 2 は https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2、OpenAIは https://developers.openai.com/api/docs/guides/embeddings と https://developers.openai.com/api/docs/pricing、Voyage AIの仕様はAnthropic公式ドキュメント https://platform.claude.com/docs/en/docs/build-with-claude/embeddings 掲載の一覧

voyage-multimodal-3.5自体の料金ページ（docs.voyageai.com・voyageai.com）には、この記事を書いた環境から到達できませんでした。経路遮断（CONNECT tunnel failed）によるもので、Voyage AI側のbot判定ではありません。到達できる環境が見つかったら、単価もここに追記する価値があります。

性能テストの点数（MTEBなど）は、この記事では3社を並べて比較していません。各社が自社で測っていて、ベンチマークの版・評価対象のタスクもそろっていないためです。公式の数字で言い切れるのは、読める長さ・次元・提供形態までで、どれが賢いかではありません。

どういう人に効くか

いま動かしてみるといい人

• 社内文書や録音を、外部に送らずに検索したい人。EmbeddingGemma 2は自分の環境で動くので、データを外に出さずに済みます。
• 画像・動画・音声をまとめて検索する機能を、アプリに組み込みたい開発者。1つのモデルで4つのモダリティを扱えます。
• すでにEmbeddingGemma（v1）を使っている人。文章専用の構成は前世代より軽く、コードの検索精度も上がっています。

急がなくていい人

• プログラミングをする人に頼まず、自分で今日から使いたい人。EmbeddingGemma 2はモデルの重みで、チャット画面のように打てばすぐ動くものではありません。動かすには開発者か、対応済みのアプリ（Google AI Edge Gallery など）が必要です。
• 32,000トークンを超える長い文書を、1回で埋め込みたい人。EmbeddingGemma 2は8,192トークンまでです。
• 日本語での精度を最優先したい人。モデルカードは「100以上の言語に対応するが、言語間で精度が同じとは限らない」と明記しています（出典: 同上）。

この記事で分からないこと

実際に動かしたときの検索精度、日本語での使い心地、クラウド経由（Gemini Enterprise Agent Platform Model Garden）で使えるようになったときの料金。発表ページには「coming soon」とだけ書かれており、価格は書かれていません。運営者も試していないので書けません。

出典一覧

すべて各社の公式ページです。まとめ記事・ニュースサイト・個人ブログは1件も使っていません。

1. EmbeddingGemma 2の発表（Google・2026年10月6日）: https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/ （Google DeepMind側のhttps://deepmind.google/blog/embeddinggemma-2-an-open-lightweight-multimodal-embedding-model/を開くと、このページへ転送されます）
2. EmbeddingGemma 2のモデルカード（Google公式）: https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2
3. EmbeddingGemma（v1）のモデルカード（Google公式）: https://ai.google.dev/gemma/docs/embeddinggemma/model_card
4. Gemma利用規約（Google公式）: https://ai.google.dev/gemma/terms
5. EmbeddingGemma 2のHugging Faceページ: https://huggingface.co/google/embeddinggemma-2
6. OpenAIのEmbeddingsガイド: https://developers.openai.com/api/docs/guides/embeddings
7. OpenAIの料金ページ: https://developers.openai.com/api/docs/pricing
8. OpenAIのモデル一覧: https://developers.openai.com/api/docs/models
9. Anthropic公式ドキュメントのEmbeddingsページ（Voyage AIの紹介・仕様一覧）: https://platform.claude.com/docs/en/docs/build-with-claude/embeddings
10. Anthropicのモデル一覧（自社に埋め込みモデルが無いことの確認）: https://platform.claude.com/docs/en/about-claude/models/overview

Voyage AI自身の公式ページ（docs.voyageai.com・voyageai.com）には、この記事を書いた環境から到達できませんでした。そのため単価は「確認できず」のままにしてあります。

料金と仕様は変わります。実際に使う前に、必ず上記の公式ページで現在の値を確認してください。