Google「EmbeddingGemma 2」公開文字・画像・動画・音声を1つのベクトルにする7.4億パラメータのオープンモデル、手元のMacで日本語の検索を試した

Google DeepMind は2026年10月6日（日本時間7日午前1時）、埋め込みモデル「EmbeddingGemma 2（エンベディングジェマ2）」を公開した。文章だけでなく、コード・画像・動画・音声まで、同じ768次元の空間に置けるのが初代からの大きな変化だ。重みは Hugging Face と Kaggle で公開されていて、ライセンスは商用で使える Apache 2.0。筆者も手元の Mac に入れ、日本語の検索を小さく試した。結果は後半にまとめた（本記事の情報は2026年10月7日午前1時30分・日本時間時点）。

• Google DeepMind が、文字・コード・画像・動画・音声を1つの埋め込み空間にまとめる EmbeddingGemma 2（7.4億パラメータ・Apache 2.0）を公開した
• モデルカードによると、コード検索の MTEB Code は初代の 68.76→78.68。多言語の文章検索（MTEB多言語）は 61.15→61.36 でほぼ同じ
• 筆者の Mac では日本語の言い換え検索8問・文から画像を探す10問がすべて1位で当たった。ただし公開直後は、公式の手順どおり pip install -U で入る transformers（5.18.0）では読み込めなかった

EmbeddingGemma 2 は何をするモデルか

埋め込みモデルは、文章や画像を「意味の近さを測れる数字の並び（ベクトル）」に変える道具だ。検索アプリの裏側や、AI に社内文書を読ませる RAG（検索拡張生成）の「探す」部分で使われる。

Google のブログによると、初代の EmbeddingGemma（2025年公開）は文章専用で、ダウンロードは2,000万回を超えた。2代目はここに画像・動画・音声を足した。ブログは使い道の例として「声のメモから特定の動画の場面を探す」「何時間もの録音を文字で検索する」を挙げている。それを1つのモデルで、端末の中だけで済ませられる、という説明だ。

公式に書かれている仕様を表にまとめた。

部品を選んで読み込めるのが特徴で、モデルカードには「文字だけなら2.7億、文字＋画像で4.4億、文字＋音声で5.7億」と書かれている。どの組み合わせでも出力は同じ空間に入る。開発者ガイドによると、文字だけで作った検索の索引に、あとから画像を足しても作り直しは要らない。

モデルカードの数字

モデルカードの評価表（768次元・量子化なし）から抜き出した。初代との比較が載っているのは文章の2項目だけで、画像・動画・音声は初代が対応していないので「-」になっている。

伸びたのはコードで、ブログは「9.92ポイント改善」、モデルカードは「約14%改善」と書いている（78.68÷68.76＝1.144なので、2つの表現は同じ数字を指している）。ブログはほかに「10億パラメータ未満の多モーダル埋め込みモデルの中で首位」「多くの大きなモデルと同等かそれ以上」「2倍以上大きい専門モデルの一部にも勝つ」と主張している。ただ、今回確認した資料（ブログ・モデルカード・開発者ブログ2本）には、他社モデルの名前を並べた比較表は無かった。

ベクトルを短くしたときの落ち方も載っている。モデルカードは「256次元までは品質への影響は小さい」としていて、MTEB多言語は 61.36→60.41、コードは 78.68→76.18 だった。128次元では、画像・動画を含む MMEB の総合が 59.01→45.65 と大きく下がる。モデルカードは「128次元は文章だけの用途向き」としている。

スマホではどう使えるのか

Google AI Edge チームのブログによると、スマホ向けのお試しアプリ「Google AI Edge Gallery」に、EmbeddingGemma 2 を使った2つの機能が入った。

• Instant Media Search: 端末の写真・動画を、言葉や見本の画像で探す。打つたびに結果が変わる
• Video Moments Finder: 動画の中の場面を、文字か音声で探す

同じブログは「今後数週間で Android の ML Kit からサービスとして使えるようにする」とも書いている。ブログの説明では、計算は端末の中で行い、ネット接続は要らない。

手元のMacで日本語の検索を試した

ここからは筆者の観測だ。2026年10月7日午前1時過ぎ（日本時間）、M5 Max（メモリ64GB）の Mac で、開発者ガイドの書き方どおり sentence-transformers から使った。読み込んだのは文字＋画像の構成（4.4億パラメータ）で、Apple の GPU（MPS）で動いた。

最初は読み込めなかった

モデルカードの手順は pip install -U sentence-transformers transformers だ。この手順で入るのは、PyPI の最新版の transformers 5.18.0（9月30日公開）になる。ところがこれでは、モデルの種類を示す embedding_gemma2 を知らないというエラー（KeyError: 'embedding_gemma2'）で止まった。GitHub の開発版（5.19.0.dev0）にも、この時点ではまだ入っていなかった。

対応するコードは、transformers の公式リポジトリ上のブランチから10月6日15時43分（UTC）に出されたプルリクエスト #49364 にあった。中身は32ファイル・6,571行の追加で、取得時点では未マージだった。このブランチを入れると動いた（sentence-transformers は 6.1.0）。正式版に入るまでは、公式の手順どおりに入れても動かないので、公開直後に試す人は注意がいる。

日本語の言い換え検索：8問とも1位

身の回りの話題の短文を8本用意した。料理・通勤費・ペット・確定申告・機種変更・梅雨の洗濯・自由研究・PCのバッテリーだ。それぞれを、本文と同じ単語をなるべく使わない質問で探した。たとえば「冷蔵庫に残っていた卵とネギで、10分でできるチャーハンを作った」を「余り物でささっと作れる夕飯」で探す、といった具合だ。

128次元に縮めても当たりは変わらなかった。ただ、2位との差は平均で4割ほど縮んだ。いちばん際どかったのは「ペットのせいで寝不足」で、128次元では正解（猫の夜鳴き）と2位（PCのバッテリー）の差が0.019しかなかった。

文から画像を探す：10問とも1位

画像には、同じ日に Google AI Studio が Nano Banana 2.1 の発表で添えた作例4枚を使った。ハイランド牛をなでる男性・雪山の赤い小屋・水滴のついた甲虫・ピンクの建物の外階段を降りる女性の4枚だ。日本語8問と英語2問で探した。

• 見たままの描写（「牛をなでているおじさん」「雪山にぽつんと建つ赤い小屋」など4問）：4問とも1位
• 写っている物の名前を出さない言い方（「スコットランドの高原」「夕日」「マクロ撮影」「アメリカのモーテル」）：4問とも1位
• 英語（「a man petting a highland cow」など2問）：2問とも1位

際どかったのは「夕日」だ。正解の雪山の写真が0.640、2位のモーテルの写真が0.614で、差は0.026だった。モーテルの写真も夕方の斜めの光で撮られているので、近く出るのは自然に見える。

時間とメモリは次のとおりだった。

この試験で言えること・言えないこと

今回の試験は、文書8本・画像4枚・質問18問という小さなものだ。しかも質問は筆者が作った。ベンチマークの代わりにはならない。「日本語で普通に言い換えた程度なら、取り違えずに探せた」ところまでが言えることだ。

メモリの約1.27GB は、Python とライブラリを含めた処理全体の値で、量子化もしていない。Google が示した「全部入りで約567MB」（Pixel 11 Pro・量子化あり）とは条件が違うので、比べられない。音声と動画は今回試していない。

誰に関係がありそうか

• 社内文書や手元のファイルを AI に探させたい人：文章だけなら2.7億パラメータで動く。ノートPCの中で完結する RAG の「探す」部分に使える
• 写真や動画を言葉で探したい人：スマホの AI Edge Gallery で試せる。Google の予定どおり ML Kit に入れば、ほかの Android アプリからも使えるようになる
• コード検索を自前で組みたい人：今回いちばん数字が伸びたのがコードで、Google は開発者ガイドで transformers のコード全体を索引にした実演を見せている

同じ10月6日には、画像生成の Nano Banana 2.1 も Google AI Studio と Gemini API で公開された。こちらは別途扱う。

出典と確認できていないこと

• 仕様と数字は Google のブログ・モデルカード・開発者ブログ2本（いずれも2026年10月6日）による。「同じ大きさで首位」はブログの主張で、比べた相手の一覧は今回確認した4本の資料には無かった
• 手元の試験は2026年10月7日午前1時過ぎ（日本時間）に筆者が行ったもの。transformers の正式版が出たあとは、PR のブランチを入れる手順は要らなくなるはず。出たら追記する
• Model Garden での提供は、ブログの表現では「coming soon」