2026年3月10日、Googleが「Gemini Embedding 2」を公開プレビューとしてリリースした。テキスト・画像・音声・動画・PDFを同じベクトル空間（データを数値の配列として表現した多次元の座標系）に埋め込める、初の"ネイティブマルチモーダル"エンベディングモデル（複数の種類のデータを統一的に数値化するAIモデル）だ。本記事では公式情報をまとめた上で、実際にAPIを叩いて5つの実験を行い、その実力を検証する。

概要

Gemini Embedding 2 とは

Google公式ブログによると、Gemini Embedding 2はGoogleが提供する初のネイティブマルチモーダル埋め込みモデルだ。従来のエンベディングモデルがテキスト専用だったのに対し、本モデルはテキスト・画像・音声・動画・PDFを1つのベクトル空間に統一的にマッピングできる。

これにより、例えば「AIコーディング」というテキストから関連する画像を検索したり、画像から類似テキストを見つけるといったクロスモーダル検索（異なる種類のデータをまたいで類似コンテンツを探す検索手法）が、単一モデルで実現できる。

スペック

Vertex AIドキュメントに記載されている主な仕様は以下の通り。

入力モダリティごとの制限は以下の通り。

料金

Gemini API料金ページによると、無料枠が用意されている。

個人での実験や小規模なPoC（概念実証：アイデアの実現可能性を検証するための試作）なら無料枠で十分まかなえる。今回の実験もすべて無料枠内で完了した。

主な特徴

Matryoshka Representation Learning（MRL） — デフォルトの3,072次元から、256次元まで任意に圧縮可能。ストレージやレイテンシ（応答遅延）とのトレードオフに応じて調整できる。

タスクタイプ指定 — RETRIEVAL_QUERY、RETRIEVAL_DOCUMENT などを指定して、用途に応じた最適化が可能。

ドキュメントOCR — PDF内の文字を自動認識して埋め込む。

APIの叩き方

Google AI StudioでAPIキーを発行すれば、REST APIとして fetch やcurlで直接叩ける。SDK（開発キット）も不要。

POST https://generativelanguage.googleapis.com/v1beta/models/gemini-embedding-2-preview:embedContent?key=API_KEY
{

"content": {

"parts": [{ "text": "埋め込みたいテキスト" }]

}

}

レスポンスの embedding.values に浮動小数点の配列（ベクトル）が返る。

検証：5つの実験で実力を測る

実験環境

• 実行環境: macOS上のNode.js（Claude Codeから直接実行）
• API: Gemini Developer API（REST、SDKなし）
• コスト: 全実験を通じて無料枠内

素材

テキストとして「AIコーディング」「経営・スタートアップ」「料理レシピ」の3テーマを用意し、それぞれ短文（30〜44字）、段落（217〜274字）、長文（560〜579字）の3サイズ、計9本を準備した。

画像はGeminiの画像生成モデルで5枚を生成した。AIコーディングのテーマで2枚（モニター構図とノートPC構図）、スタートアップ会議、料理シーン、そしてコントロール群として富士山の風景。

テーマA: AIコーディング（2枚）

モニター構図	ノートPC構図
テーマA代表	同テーマ別構図（類似度検証用）

テーマB・C・コントロール（各1枚）

スタートアップ会議	料理(だし取り)	富士山と桜
テーマB代表	テーマC代表	コントロール群（全テーマと無関係）

実験1: テキスト埋め込みの基本動作

目的: 日本語テキスト9本を埋め込み、次元数と応答時間を確認する。

結果:

考察: 全てのテキストが3,072次元のベクトルとして返される。応答時間は350〜750ms程度で、文字数による大きな差は見られなかった。日本語も問題なく処理される。

実験2: テキスト間の類似度マトリクス

目的: 9本のテキスト全ペア（36組）のコサイン類似度（ベクトル間の角度から算出する類似性の指標。1に近いほど似ている）を算出し、意味の近さを正しく捉えているか検証する。

結果（類似度 TOP 5）:

結果（類似度 BOTTOM 5）:

考察: 同テーマ内のテキストは長さが違っても0.77〜0.89と高い類似度を示し、異テーマ（特にAI/スタートアップ ↔ 料理）は0.44〜0.48に落ちる。表現や長さではなく、意味の近さをしっかり捉えていることがわかる。短文同士でもテーマが同じなら高い類似度が出る点は、検索クエリ（短い）→ ドキュメント（長い）の検索ユースケースで心強い。

実験3: 次元調整（MRL）で精度は保たれるか

目的: 出力次元を256/768/1,536/3,072と変えたとき、類似度の順位関係が維持されるかを検証する。

結果:

考察: 全ての次元数で AI ↔ Startup > AI ↔ Cooking という順位関係が保たれた。256次元に圧縮しても類似度の大小関係は崩れておらず、MRLが正しく機能している。256次元なら3,072次元に対してストレージが12分の1になるにもかかわらず、実用上ほぼ遜色ない判別ができる。

応答時間にも次元数による有意な差は見られず、次元の縮小はサーバー側の計算量にはほぼ影響しないようだ。

実験4: クロスモーダル — テキストで画像を検索できるか

目的: テキストと画像を同じベクトル空間に埋め込み、テキストクエリで正しい画像を1位に持ってこられるか検証する。この実験がGemini Embedding 2の最大の売りであるマルチモーダル統一空間の真価を問うものだ。

画像の埋め込み

まず5枚の画像を埋め込んだ。テキストに比べて画像は処理が重い。

テキスト埋め込みが500ms前後だったのに対し、画像は1,300〜2,200msと2〜4倍の時間がかかる。

画像同士の類似度

最も類似度が高かったペアは、同テーマ（AIコーディング）の2枚だ。構図は全く異なるが、「プログラミングの画面」という意味を捉えている。

類似度 0.80 — 同テーマの2枚が最も近い

↔

全ペアの類似度は以下の通り。

同テーマ（AIコーディング）の2枚が0.80と最も高く、構図が違っても「プログラミングの画像」という意味を捉えている。異テーマ間は0.60〜0.70に分布し、意味的な距離が反映されている。

テキスト→画像 検索ランキング

各テーマの短文をクエリとして、5枚の画像を類似度順にランキングした。

クエリ: 「AIエージェントが自律的にコードを書いて、テストして、デプロイまでこなす時代が来た。」

1位にヒットした画像

クエリ: 「シード期のスタートアップにとって、限られたリソースでPMFを達成することが最優先課題だ。」

1位にヒットした画像

クエリ: 「鶏もも肉を一口大に切り、塩コショウで下味をつけてから片栗粉をまぶす。」

1位にヒットした画像

考察: 3テーマ全てで、対応する正しい画像が1位にランキングされた。 これはかなり印象的な結果だ。

ただし注目すべき点もある。クロスモーダルの類似度（0.19〜0.37）は、テキスト同士（0.44〜0.89）と比べて全体的に低い。これはテキストと画像という異なるモダリティ間の「距離感」が、同モダリティ内の距離感とは異なることを意味している。実用上は、テキスト→画像検索とテキスト→テキスト検索で異なる閾値を設定する必要があるだろう。

また、AIコーディングのクエリに対してAI画像2枚が1位・2位に並んだ点は、同テーマの画像バリエーションを正しく認識できている証拠だ。

実験5: タスクタイプ指定の効果

目的: RETRIEVAL_QUERY / RETRIEVAL_DOCUMENT というタスクタイプを指定した場合と指定しなかった場合で、検索精度に差が出るか検証する。

短文のAIコーディングテキストをクエリ、3テーマの長文をドキュメントとして類似度を比較した。

結果:

考察: 今回のテストでは完全に同一の結果となった。タスクタイプ指定による精度差は確認できなかった。

これはプレビュー版ゆえの可能性もあるし、タスクタイプの効果がより大規模なデータセットや特定の検索パターンで発揮される可能性もある。GA（正式版）リリース時に再検証したいポイントだ。

まとめ

Gemini Embedding 2の最大の価値は、やはりマルチモーダル統一空間だ。テキスト・画像・音声・動画を1つのベクトル空間で扱えることで、「テキストで画像を検索する」「画像で関連ドキュメントを探す」といったユースケースが、複数モデルを組み合わせることなく実現できる。

プレビュー版のため本番利用にはまだ慎重さが必要だが、RAG（検索拡張生成：外部データを検索して回答生成に活用する手法）やナレッジベースの構築を検討しているなら、今のうちに触っておく価値は十分にある。