概要
Googleが2026年3月10日に公開プレビューとして発表した、Geminiアーキテクチャーに基づくマルチモーダル埋め込みモデル。テキスト、画像、動画、音声、文書を共通の埋め込み空間に写像し、意味的な類似度を比較できる。発表時の提供経路はGemini APIとVertex AI。 (blog.google)
能力と用途
- 入力を数値ベクトルに変換し、テキストから画像を探すようなクロスモーダル検索に利用できる。
- 文書検索、分類、推薦、クラスタリングなどに適する。
- デフォルトの出力は3,072次元。出力次元は調整可能。 (blog.google)
制限と提供状況
- 回答文や画像を生成するモデルではなく、埋め込みベクトルを出力する。
- 現行のGemini APIドキュメントに掲載された安定版の仕様では、入力上限は8,192トークン、出力次元は128〜3,072。画像は1リクエスト最大6枚、音声は最大180秒、動画は最大120秒、PDFは最大1ファイル・6ページ。これらは現行安定版の仕様であり、プレビュー版での適用を保証するものではない。 (ai.google.dev)
- 提供プラットフォームによって動画の音声トラックの扱いなどが異なる。現行のGemini APIドキュメントは動画内の音声を処理しないと記載する一方、Google Cloudの現行ドキュメントは音声トラック抽出を記載している。 (ai.google.dev)
- Google Cloudのモデル資料では、本プレビュー版の公開日を2026年3月10日、安定版
gemini-embedding-2の公開日を2026年4月22日と記載している。Gemini APIの廃止一覧では、表記が異なるembedding-2-previewに終了日と後継モデルが掲載されているが、指定IDとの対応および現在のプレビュー版エンドポイントの動作は、この資料だけでは確定できない。利用前に対象プラットフォームで確認すること。 (docs.cloud.google.com)
料金
Google Cloud Agent Platformの公式価格表には「Gemini Embedding 2(Unified Multimodal, Preview)」として、以下の米ドル(USD)建て料金が掲載されている。単位はいずれも入力100万トークン当たり。出力トークンは無料。表には各行の地域条件は明記されていない。 (cloud.google.com)
| 入力 | オンラインリクエスト | バッチリクエスト |
|---|---|---|
| テキスト | USD 0.20 | USD 0.10 |
| 画像 | USD 0.45 | USD 0.225 |
| 動画 | USD 12.00 | USD 6.00 |
| 音声 | USD 6.50 | USD 3.25 |
この表はGoogle Cloudの価格であり、Gemini APIの別プランにそのまま適用されると断定できない。価格確認日:2026年11月16日。