はじめに
Googleが2026年4月22日にGemini Embedding 2をGA（一般提供）としてリリースしました。初のネイティブ・マルチモーダル埋め込みモデルで、テキスト・画像・動画・音声・PDFを単一のベクトル空間に埋め込めます。
本記事では、このモデルの仕様・ベンチマーク・競合比較・日本語性能を公開情報から整理し、採用可否の判断材料を提供します。
想定読者は、RAGや検索システムの設計・実装に関わるエンジニアです。
本記事は、採用判断に必要な情報を以下の順で提供します。
| 要素名 | 説明 |
|---|---|
| 仕様把握 | モデル識別子、入出力、モダリティ、Task typeの整理 |
| v1との差分 | 既存ユーザー向けの移行インパクト |
| ベンチマーク | 公式値・第三者値・独立ベンチの三視点 |
| 日本語性能 | JMTEB、fp16ベンチ、実務での評判 |
| 価格と提供形態 | Gemini API／Vertex AIそれぞれの制約 |
| 競合比較 | OpenAI、Cohere、Voyage、OSSとの比較表 |
| 採用判断 | 採用・見送りの判断基準と次のアクション |
サマリー
採用可否を先に整理します。
| 用途 | 推奨 |
|---|---|
| マルチモーダルRAG（画像・音声・動画・PDFを単一空間で検索） | 即採用 |
| 日本語テキストRAG | 第一候補 |
| コスト最優先の純テキスト用途 | OpenAI 3-small、Voyage-3-liteを検討 |
| 既存v1運用中の移行 | PoCで性能差を確認してから判断 |
主な落とし穴は以下のとおりです。
- PDF 6ページ、動画120秒、画像6枚、音声180秒の入力制限
- Vertex AIでBatch prediction、Provisioned Throughputが非対応
- STS系タスクの絶対性能は相対的に弱い
- 独立レイテンシベンチマークは不在
モデル仕様
Gemini Embedding 2の主要仕様は以下のとおりです。
| 項目 | 値 |
|---|---|
| 識別子 | gemini-embedding-2（GA）、gemini-embedding-2-preview |
| GA日 | 2026-04-22 |
| Preview | 2026-03-10 |
| ナレッジカットオフ | 2025-11 |
| 最大入力 | 8,192 tokens（v1は2,048） |
| 出力次元 | デフォルト3,072、MRLで128から3,072 |
| 推奨次元 | 768、1,536、3,072 |
| 対応言語 | 100言語超 |
| モダリティ | text、image、video、audio、PDF |
入力モダリティごとの制限値は以下のとおりです。
| モダリティ | 制限 |
|---|---|
| 画像 | 1リクエストあたり最大6枚（PNG、JPEG、WebP、BMP、HEIC、HEIF、AVIF） |
| 動画 | 最大120秒（MP4、MOV） |
| 音声 | 最大180秒（ネイティブ、文字起こし不要） |
| 最大6ページ、1ファイル／プロンプト |
Task typeパラメータは以下のように用意されています。
- 非対称タスク用:
search result、question answering、fact checking、code retrieval - 対称タスク用:
classification、clustering、sentence similarity - カスタムタスク命令もサポート
v1からの差分
gemini-embedding-001（v1）とgemini-embedding-2（v2）の差分は以下のとおりです。
| 項目 | gemini-embedding-001 | gemini-embedding-2 |
|---|---|---|
| モダリティ | テキストのみ | text、image、video、audio、PDF |
| 最大入力 | 2,048 tokens | 8,192 tokens |
| 次元 | MRL対応 | 3,072（MRL 128から3,072） |
| 音声処理 | 文字起こし必須 | ネイティブ埋め込み |
| 非対応 | OCR内蔵、直接入力 | |
| 埋め込み空間 | v1と非互換 | 移行時は全件再埋め込み必須 |
| Text価格 | $0.15/1M tok | $0.20/1M tok |
移行判断の要点は以下のとおりです。
- v1とv2の埋め込み空間は非互換
- 既存データの全件再エンベッドが必要
- テキスト単価は上昇（$0.15→$0.20）
- マルチモーダルが不要な場合は移行メリットが薄い
ベンチマーク性能
公式発表値
DeepMindモデルページで公表されているスコアは以下のとおりです。
| ベンチマーク | スコア |
|---|---|
| MTEB Multilingual 平均 | 69.9 |
| MTEB Code 平均 | 84.0 |
| Text → Image（TextCaps）R@1 | 89.6 |
| Image → Text（TextCaps）R@1 | 97.4 |
| Text → Video（Vatex）nDCG@10 | 68.8 |
| Speech → Text（MSEB）MRR@10 | 73.9 |
| Text → Document（ViDoRe v2）nDCG@10 | 64.9 |
第三者集計（参考値）
第三者記事ではMTEB Multilingualで68.32（Mean Task）、MTEB English v2で73.30、MTEB Codeで74.66と報告されています。
公式値69.9と第三者値68.32の差の主な原因は以下と推定されます。
- MTEBのタスク集計方法（Mean Task／Mean Type）の差異
- ベンチマークのバージョン差（MTEB v1／v2）
- v1（68.32）とv2のスコアを混同して転記した可能性
比較対象を評価するときは、公式値を優先してください。
独立ベンチマーク
Chen Zhang氏が2026年3月に実施した10モデル比較では、Gemini Embedding 2は以下の結果を示しました。
| タスク | 結果 |
|---|---|
| 中英クロスリンガル hard（idiom）R@1 | 1.000（唯一満点） |
| Needle-in-Haystack 32K | 1.000（唯一32Kまで検証済み） |
| 画像↔テキスト R@1 hard | 0.928（2位、1位はQwen3-VL-Embedding-2B OSSの0.945） |
| STS-B（ρ、MRL 256 dim） | 0.689（同条件下でテスト対象中最下位） |
このベンチマークからわかる特徴は以下のとおりです。
- クロスリンガル検索では単独首位
- 長文検索（32K）でも満点を維持
- 画像単独タスクではOSSのQwen3-VL-2Bに僅差で敗北
- STSタスクでは絶対値が弱い
日本語性能
日本語圏での評価を整理します。
| 観点 | 状況 |
|---|---|
| JMTEB公式スコア | 日本語圏で未公表 |
| fp16の2000問日本語RAGベンチ | P@1=0.588、MRR=0.724で全指標1位 |
| クロスリンガル安定性 | 日英韓中の言語分散が最小 |
| 日本語トークン消費目安 | 1,000文字で約500 tokens |
| テキスト10万件×500 tokのコスト | 約$10 |
音声ネイティブ処理は、日本語の文字起こし精度の低さを回避できる利点があります。帳票やスクショ検索は、日本企業の業務系SaaS文脈で好評を得ています。
価格・提供形態
Gemini Developer API（paid tier）
価格体系は以下のとおりです。
| 入力 | 単価 |
|---|---|
| Text | $0.20 / 1M tokens |
| Image | $0.45 / 1M tokens |
| Audio | $6.50 / 1M tokens |
| Video | $12.00 / 1M tokens |
- Free tier: 全入力タイプで無料枠あり
- Batch API: 約50%オフ
Vertex AI
Vertex AIでの提供形態は以下のとおりです。
| 項目 | 状況 |
|---|---|
| 課金形態 | Standard PayGoのみ |
| Batch prediction | 非対応 |
| Provisioned Throughput | 非対応 |
| Flex PayGo | 非対応 |
| Priority PayGo | 非対応 |
| リージョン | Global、US multi-region、EU multi-region |
提供経路
以下の経路で利用できます。
- Gemini API（AI Studio経由、Developer API）
- Vertex AI
- Gemini Enterprise Agent Platform
- サードパーティ統合: LangChain、LlamaIndex、Haystack、Weaviate、Qdrant、ChromaDB、Vertex AI Vector Search
APIコード例
Gemini APIでの最小呼び出し例は以下のとおりです。
from google import genai
client = genai.Client()
result = client.models.embed_content(
model="gemini-embedding-2",
contents="日本語の埋め込み対象テキスト",
config={
"task_type": "retrieval_document",
"output_dimensionality": 1536,
},
)
print(len(result.embeddings[0].values)) # 1536
公式ドキュメントのQuickstartとCookbookには、マルチモーダル入力（画像・音声・PDF）のサンプルが掲載されています。
コスト試算式
日本語テキストのRAGでのコスト試算式は以下のとおりです。
月間コスト = (ドキュメント件数 × 平均文字数 ÷ 2) × $0.20 / 1,000,000
- 係数2は「日本語1000文字≒500トークン」を根拠
- Batch APIで処理する場合は半額
具体例を示します。
| ドキュメント件数 | 平均文字数 | 月間トークン | 月間コスト |
|---|---|---|---|
| 10,000 | 1,000 | 5M | $1.00 |
| 100,000 | 1,000 | 50M | $10.00 |
| 100,000 | 5,000 | 250M | $50.00 |
| 1,000,000 | 1,000 | 500M | $100.00 |
競合比較
主要な埋め込みモデルとの比較表は以下のとおりです。
| モデル | Text価格 ($/1M) | 最大入力 | マルチモーダル | MTEB Avg | 備考 |
|---|---|---|---|---|---|
| Gemini Embedding 2 | 0.20 | 8,192 tok | text+img+video+audio+PDF | 69.9（公式） | マルチモーダル最強、Batch半額 |
| OpenAI text-embedding-3-large | 0.13 | 8,191 tok | textのみ | 64.60 | 安定の定番 |
| OpenAI text-embedding-3-small | 0.02 | 8,191 tok | textのみ | 62.26 | 最安 |
| Cohere Embed v4 | 0.10 | 128K tok | text+image | 65.20 | 超長文に強み |
| Voyage-3-large | 0.06 | 32K tok | text（限定画像） | 66.80 | コスパ良好 |
| Voyage-3-lite | 0.02 | 32K tok | text | — | 最安クラス |
| Qwen3-Embedding-8B（OSS） | 0（セルフホスト） | — | text | 70.58 | Apache 2.0、MTEB 2位級 |
| BGE-M3（OSS） | 0 | — | text | 63.00 | 定番OSS |
実採用事例
Googleが発表している採用事例は以下のとおりです。
| 企業 | 用途 | 評価 |
|---|---|---|
| Everlaw | 法務discovery 140万文書 | 87% accuracy（Voyage 84%、OpenAI 73%を上回る）、recall +20% |
| Box | 文書QA | 正解率81%超、recall +3.6% |
| Mindlid | AIウェルネス | Top-3 recall 82%（OpenAI 3-small +4pt）、median 420ms |
| Poke | AIメール | 100 emails埋め込み21.45秒（Voyage-2比 -90.4%） |
| Sparkonomy | クリエイター検索 | レイテンシ-70%、similarity score 2倍 |
これらの数値はすべてGoogle発表ベースであり、独立した対照条件下の再現検証は存在しません。採用判断時は自前のPoC実施を推奨します。
反証・制限事項
モデル自体の制限
- v1とv2の埋め込み空間は非互換（移行時は全件再埋め込み必須）
- PDF 6ページ以下、動画120秒以下、音声180秒以下、画像6枚／リクエスト以下
- Vertex AIでBatch prediction、Provisioned Throughputが非対応
- ナレッジカットオフは2025-11
性能面の弱点
- STS（文類似度）の絶対性能は相対的に弱い（MRL 256次元でVoyage、Jina、OpenAIより下）
- 画像↔テキスト単独タスクではQwen3-VL-Embedding-2B（OSS、2B）に敗北（0.928 vs 0.945）
- 集約エンベディングの分解能が低い傾向
運用面の懸念
- 独立レイテンシベンチマークは不在（Google発表値のみ）
- JMTEB公式スコア未公表
- 価格はOpenAI 3-largeの1.5倍、Cohere v4の2倍、OpenAI 3-smallの10倍
未解決の問い
現時点で判明していない項目は以下のとおりです。
| 問い | 重要度 | 対処 |
|---|---|---|
| MTEB v2 Leaderboardの正式エントリー有無 | 中 | HuggingFace MTEB Spaceで要確認 |
| Voyage-4とのhead-to-head | 中 | 2026-Q3以降の第三者ベンチ待ち |
| 実運用レイテンシ（独立計測） | 中 | 自前PoC必須 |
| JMTEB公式スコア | 低 | SB Intuitions発表待ち |
| 具体的レート制限（RPM、TPM） | 中 | 公式Rate Limitsページ要確認 |
採用判断
採用すべきケース
- マルチモーダルRAGが必要（画像、音声、動画、PDFを単一空間で検索）→ 即採用
- 日本語、多言語RAG（日本語と英中韓の混在コンテンツ）→ 第一候補
- 長文ドキュメント検索（8Kトークン級の議事録、契約書）→ 有力
- コード検索（MTEB Code 84.0）→ 有力
採用を見送るべきケース
- コスト最優先の純テキスト用途（個人PoCで無料枠を超える規模）→ OpenAI 3-small、Voyage-3-lite、OSSを検討
- STS、クラスタリング中心のタスク（低次元圧縮重視）→ Voyage Multimodal 3.5、Jina v4の方が有利
- 画像↔テキストのみ（他モダリティ不要）→ Qwen3-VL-Embedding-2B（OSS）で代替可
- 既存v1で安定稼働中、マルチモーダル不要 → 移行コスト（再埋め込み）に見合うメリット薄
次のアクション
採用判断の流れは以下のとおりです。
- 手元の用途がマルチモーダル要素を含むかを棚卸し
- 含むならFree tierでPoC、日本語RAGの実データで比較実施
- 含まないならOpenAI 3-small、Voyage-3-liteと並走比較し、コスト×性能で判断
- 本番採用時はGemini API（paid tier）かVertex AIを選択。大量Batch処理が必要ならGemini API Batch（50%オフ）
まとめ
Gemini Embedding 2は、マルチモーダルRAGが必要な用途では他社に代替のない選択肢です。日本語・多言語RAGでも第一候補となりますが、コスト最優先の純テキスト用途ではOpenAI 3-smallやVoyage-3-liteに分があります。
この記事が少しでも参考になった、あるいは改善点などがあれば、ぜひリアクションやコメント、SNSでのシェアをいただけると励みになります！
参考リンク
- 公式ドキュメント
- 記事
- Which Embedding Model Should You Actually Use in 2026? - dev.to / Chen Zhang
- Qdrant Meets Google Gemini Embedding 2
- New embedding model leaderboard shakeup - VentureBeat
- Gemini Embedding 2 Review 2026 - ComputerTech
- Embedding Model Leaderboard MTEB March 2026 - awesomeagents
- Embedding Models Pricing - April 2026
- 日本語RAGのEmbeddingモデル、結局どれが最強なのか？（Zenn/fp16）
- gemini embedding 2 で資料単位のナレッジ化が容易に（Zenn/bekku）
- Gemini Embedding 2（GMO次世代開発室）
- Gemini Embedding 2 ガイド（AQUA）
- Gemini Embedding 2入門（Qiita/kai_kou）
- Gemini Embedding 2 概要（note/npaka）