【AIニュース】Googleが画像や音声も扱える端末内検索AIを公開
Google DeepMindが、端末の中で動かせる小型のAIモデル「EmbeddingGemma 2」を公開しました。文章や画像、音声、動画をまとめて検索に使え、データを外に送らずに処理できます。
目次
3行でわかるこのAIニュース
- 1Google（グーグル）のAI研究部門Google DeepMind（グーグル・ディープマインド）が、10月6日、文章、コード、画像、動画、音声をまとめて検索用の数値データに変換できる公開モデル「EmbeddingGemma 2（エンベディングジェマ・ツー）」を発表した。
- 27.4億パラメーターの小型モデルで、スマートフォンなどの端末内で動かせる。商用利用が認められるApache 2.0ライセンスで公開されている。
- 3前世代は文章専用でダウンロード数が2,000万回を超えた。今回は画像、動画、音声に対応し、コード検索の性能も向上した。
1. 何が発表されたのか
Google DeepMindは10月6日、EmbeddingGemma 2を公開しました。文章や画像などを、意味の近さで比べられる数値の並び（埋め込み）に変換するモデルで、検索や資料の取り出しに使われます。前世代のEmbeddingGemmaは昨年公開された文章専用のモデルで、端末内の検索や、個人情報を守る検索拡張生成（RAG、検索で見つけた資料をAIの回答に反映させる仕組み）に使われ、ダウンロード数は2,000万回を超えたと、同社は説明しています。
2. 何が新しくなったのか
文章、コード、画像、動画、音声を1つの共通の仕組みで扱えるようになり、音声メモから特定の動画の場面を探す、数時間分の録音を文章で検索するといった使い方ができます。同社のGemma 4（ジェマ・フォー）と同じ設計を基にしており、文章だけなら2.7億パラメーター、画像用に1.7億、音声用に3億を追加する、必要な分だけ使える構成です。1回に扱える長さは前世代の4倍の8,000トークンで、音声5.5分、画像29枚、動画58コマ分に相当します。
3. 端末内で動く性能
軽量化した場合、Pixel 11 Pro（ピクセル・イレブン・プロ）で必要なメモリーは、文章のみで約191MB、全機能で約567MBとされています。出力する数値の長さを768から512、256、128へ減らす技術により、保存容量を最大6分の1にできます。コード検索の指標（MTEB Code）は68.76から78.68へ9.92ポイント上がり、画像や音声でも、10億パラメーター未満のモデルで最高水準だと同社は述べています。
4. 入手方法
モデルのデータは、Hugging Face（ハギング・フェイス）とKaggle（カグル）で公開されており、Googleの企業向けAI基盤のモデル提供サービスへの追加は近日の予定です。transformersやOllamaなど、主要な開発ツールでも動かせます。
ビジネスへの影響
- アプリ開発者
- 外部のサーバーを使わずに、端末内で文章、画像、音声、動画を横断して検索する機能を組み込みやすくなる。商用利用も認められている。
- 個人データや社内データを扱う事業者
- データを端末の外に出さずに検索や資料の取り出しを行う仕組みを作りやすくなる。通信を使わないため、オフラインでも動かせる。
- 開発支援の分野
- コード検索の性能が上がり、手元のコードの検索や、AIコーディングツールが資料を取り出す用途に使える。
