世界は立ち止まらない。RSS
BIG CHANGE.
ワンタップでBIG CHANGE
ワンタップでBIG CHANGE

大局を見渡す余白を。

BIG CHANGE をホーム画面またはデスクトップに追加します。専用ウィンドウで開き、オンライン時には最新の記事が表示されます。

iPhoneとiPad
Safari で bigchange.ai を開きます。「共有」、「ホーム画面に追加」の順にタップします。「Web Appとして開く」が表示された場合はオンにしてから、「追加」をタップします。
Android
Chromeでbigchange.aiを開きます。ブラウザーのメニューから「アプリをインストール」または「ホーム画面に追加」を選択してください。
デスクトップ
Chrome または Edge では、アドレスバーのインストールアイコンかブラウザーのアプリメニューを使用します。Mac の Safari では、「ファイル」→「Dockに追加」を選択します。

Markdown版

AI-translated from English; not yet reviewed by a fluent editor.

# EmbeddingGemma 2：テキストとメディアのローカル検索プロトタイプ

> GoogleのEmbeddingGemma 2は、テキスト、画像、動画、音声の埋め込みを1つのローカル検索モデルに統合します。文書に基づくこのガイドでは、設定と評価で検討すべき点を整理します。

By BIG CHANGE Editorial

Published: 2026-10-06T20:48:02.995Z
Updated: 2026-10-06T20:48:02.995Z
Canonical: https://bigchange.ai/blog/embeddinggemma-2-local-multimodal-search-guide

![Conceptual illustration of one person seated on a rug, holding a phone and a landscape photo beside a box of personal prints and paper records.](https://bigchange.ai/api/media/file/embeddinggemma-personal-collection-hero-v1.png)
A person considers a small personal collection of photos and records beside a phone. Conceptual AI-generated illustration by BIG CHANGE; it does not show an EmbeddingGemma 2 interface or tested search result.

Googleは2026年10月6日にEmbeddingGemma 2を公開し、Apache 2.0ライセンスでダウンロード可能な重みを提供しました。このモデルはテキスト、コード、画像、動画、音声をベクトルに変換し、共通の768次元空間で比較できます。ローカルコレクションを持つ開発者にとっての実務上の問いは、どのエンコーダーを読み込むか、クエリやファイルをどう表現するか、結果がそのコレクションに役立つかです。このガイドはGoogleの公開手順とモデルカードに沿っています。BIG CHANGEはモデルを実行しておらず、検索品質も測定していません。

## 大きな変化

- **変わった点：**以前のEmbeddingGemmaはテキストを扱っていました。バージョン2では視覚・音声エンコーダーが追加され、キャプションや文字起こしを先に作らなくても、テキストクエリを対応メディアと共通ベクトル空間で比較できます。Googleは重みを公開しました。[Android向けML Kitサービスは今後数週間以内の提供が予定されています](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/)。
- **重要な理由：**開発者はローカルコレクションに必要なエンコーダーを読み込み、対応ファイル形式をまとめた検索インデックスを作成できます。[GoogleのAI Edge Gallery](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/)は、ローカルメディアのベクトルをSQLiteに保存し、コサイン類似度で順位付けする例を示しています。アプリには引き続き、ファイル取り込み、ベクトル保存、結果表示、誤解を招く一致の確認が必要です。
- **注目点：**まず確認すべきなのは、代表的なファイルが端末のメモリと遅延の予算内で適切に順位付けされるかです。後日提供されるAndroidサービスで統合方法が変わる可能性はありますが、発表された時期は現在利用可能であることを意味しません。

## モデルを読み込む前に入力を選ぶ

開発者[ガイド](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/)には、対応するすべてのメディア向けのSentence Transformers 6.1.0以降と、次のインストールコマンドが記載されています：

```bash
pip install -U sentence-transformers[image,audio,video] transformers
```

正確なチェックポイントは `google/embeddinggemma-2` です。Sentence Transformersの既定の読み込みでは全エンコーダーが含まれます。テキストとコードだけのコレクションなら、読み込み時に視覚と音声を除くようガイドは勧めています：

```python
from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "google/embeddinggemma-2",
    config_kwargs={"vision_config": None, "audio_config": None},
)
```

視覚を残して音声を省くには `config_kwargs={"audio_config": None}`、音声を残して視覚を省くには `config_kwargs={"vision_config": None}` が必要です。これらの設定で読み込む重みは変わりますが、生成されるベクトルはモデルの共通空間にとどまります。そのためガイドによれば、視覚を含む設定でエンコードした画像と、テキストのみのクエリを比較できます。Googleは一般消費者向け端末に適すると説明していますが、公開されたPython例はライブラリのクイックスタートであり、読者の端末でのメモリ使用量や遅延を実測して保証するものではありません。

## クエリとコレクション項目は異なる方法でエンコードする

テキスト検索では、[モデルカード](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2)がクエリとコーパス項目に別々のタスク指示を指定しています。Sentence Transformersは `prompt_name` を通じてこれらを渡します：

```python
query_vector = model.encode("northern lights", prompt_name="SearchQuery")
document_vector = model.encode(
    "Charged particles from the sun cause the northern lights.",
    prompt_name="Document",
)
score = model.similarity(query_vector, document_vector)
```

この文書のコード例はベクトルと類似度スコアを生成しますが、私たちの環境で得た結果ではありません。`Document`は `title: none`を挿入します。項目に実際のタイトルがある場合は、Googleの指示に従って明示的に `title: {title} | text: {content}` と整形します。コード検索では `CodeRetrieval` のクエリ指示と、インデックス化したコードのタイトルまたはファイル名を使います。分類、クラスタリング、文類似度にはそれぞれ対称な指示があります。モデルカードによれば、テキスト指示を省いても実行できますが、精度は低下します。

以前の `model`には視覚・音声エンコーダーがありません。画像をエンコードする前に、同じチェックポイントからガイドの [テキストと視覚の設定](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/)を読み込み、そのモデルでメディアとクエリを処理します。この手順は文書に沿ったもので、実行はしていません：

```python
media_model = SentenceTransformer(
    "google/embeddinggemma-2",
    config_kwargs={"audio_config": None},
)
image_vector = media_model.encode({"image": "photo.jpg"})
query_vector = media_model.encode("a photo query", prompt_name="SearchQuery")
score = media_model.similarity(query_vector, image_vector)
```

音声を扱うには `audio_config: None` を省いて再読み込みし、音声エンコーダーを有効にします。既定の全読み込みには視覚と音声が含まれます。Googleのガイドでは、テキストタスクの接頭辞なしで `{"audio": "recording.wav"}` のような辞書を渡します。テキスト内に `<|image|>`、`<|video|>`、または `<|audio|>` のマーカーを置き、辞書に対応ファイルを指定してテキストとメディアを組み合わせることもできます。その呼び出しは結合入力に対して1つのベクトルを生成します。モデルカードは16 kHzのモノラル音声を指定し、動画は既定で1秒あたり1フレームをサンプリングするとしています。画像、動画フレーム、音声、テキストは8,192トークンのコンテキスト予算を共有するため、長いクリップや複合項目では全ファイルが収まると決めつけず、入力を計画する必要があります。

## ベクトルのサイズを選び、トレードオフを確認する

標準出力は768次元です。Googleのモデルカードはベクトルを切り詰めて512、256、128次元にする方法をサポートしています。ガイドには `truncate_dim=256` と `normalize_embeddings=True` を `model.encode()` で使う方法が記載されています。クエリとインデックス項目のベクトルは同じ次元でなければならず、短縮したベクトルはコサイン比較の前に正規化します。カードによれば、128次元では256次元よりマルチモーダル品質が大きく低下し、128次元は主にテキスト処理向けです。これらはGoogleの全精度ベンチマーク結果であり、特定のコレクションの再現率を予測するものではありません。

数値精度も設定項目の1つです。対応ハードウェアでは `bfloat16`、それ以外（大半のCPUを含む）では `float32` を使うようカードは勧めています。`float16`はNaNを生じたり、気づかないうちに埋め込み品質を損なったりする可能性があると警告しています。選択的読み込みのパラメーター数はモデル構成を示すもので、実際の端末メモリや検索速度は実行経路、精度、インデックス、入力サイズによって変わります。

## 結果を利用する前に評価すること

プロトタイプでは、許可された小規模なサンプルを索引化し、代表的なクエリを保留して、適切な項目が上位に出るか確認できます。テキスト同士、テキストと画像、テキストと音声の評価は、そのメディアが実際にコレクションにある場合だけ行います。同じクエリで768次元と256次元を比較し、関連言語や文書形式ごとの失敗を確認して、対象端末でメモリ、索引化時間、クエリ遅延を測定します。これは読者向けの評価手順であり、BIG CHANGEは実施していません。

モデルカードで公開された[結果](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2)では、MTEB code v1でEmbeddingGemma 2が78.68、旧モデルが68.76、multilingual MTEB v2ではそれぞれ61.36と61.15です。カードには画像、動画、音声の結果もありますが、これらのモダリティにはバージョン1との比較がありません。引用されたすべてのベンチマーク結果は全精度のチェックポイントを使用しています。これらはGoogleの評価条件を示すもので、ローカルアーカイブでの精度を示すものではありません。言語やタスクによって品質が異なり、検索アプリには独自のフィルタリングと公平性確認が必要だとカードは注意しています。

重みはApache 2.0ライセンスで公開され、ガイドは [Hugging Faceリポジトリ](https://huggingface.co/google/embeddinggemma-2)にリンクしています。Googleの資料はローカル実行方法を示していますが、展開費用を一律には示していません。端末、計算資源、ストレージ、開発はアプリごとのコストです。読者が次に確認すべきなのは、端末の予算内でモデルが代表的なファイルを正しく順位付けするかです。

## 出典・参考資料

- [Google AI Edgeの発表](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/)、2026年10月6日：公開段階、AI Edge Galleryのローカルメディア検索実装、発表されたML Kitの提供時期。この記事で触れた端末測定値はGoogleによるものです。
- [EmbeddingGemma 2開発者ガイド](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/)、2026年10月6日：ライブラリのバージョン、読み込み設定、エンコード例、ベクトル切り詰めの手順。
- [EmbeddingGemma 2モデルカード](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2)：モデル構造、入力制限、タスク指示、精度に関する注意、ベンチマーク表、制約。結果はGoogleが報告したものです。
- [Googleのモデルリポジトリ](https://huggingface.co/google/embeddinggemma-2)：指定されたチェックポイントと公開モデルファイル。リポジトリが利用できることは、アプリの性能を検証するものではありません。

## Sources

- [EmbeddingGemma 2でマルチモーダルな意味検索をエッジへ](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/) — 公開段階、Google AI Edge Galleryへの実装、近日提供予定のML Kitアクセス。端末の数値はベンダーによる測定です。
- [EmbeddingGemma 2：開発者ガイド](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/) — Sentence Transformers 6.1.0以降、読み込み設定、タスクとメディアのエンコード例、ベクトルの切り詰め。
- [EmbeddingGemma 2モデルカード](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2) — 構造、入力制限、プロンプト、精度、Google公表のベンチマークスコア、リスクと制約。
- [google/embeddinggemma-2チェックポイント](https://huggingface.co/google/embeddinggemma-2) — 指定されたモデルリポジトリ、公開ファイル、ライセンス。