---
title: "エンベディング（埋め込み）とは？検索と RAG のためのベクトル | BroadRouter"
description: "エンベディングは、テキストを数値のベクトルに変換し、意味の近いものほど近くに配置します。しくみ、比べ方、RAG の中での役割を解説します。"
url: https://broadrouter.com/ja/glossary/embeddings/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/glossary/embeddings/) (2026-11-14 更新).

# エンベディング（埋め込み、embeddings）

更新日 2026-11-14

エンベディング（埋め込み）とは、テキストや画像などの入力を表すためにモデルが出力する浮動小数点数のリスト（ベクトル）です。意味の近い入力ほどベクトルも近いので、その距離で検索結果の順位付け、文書の分類、関連項目の発見ができます。

別名： 埋め込み、埋め込み表現、ベクトル埋め込み、テキスト埋め込み、埋め込みモデル、embedding、embeddings、text embeddings、vector embeddings、embedding vectors、embedding model、sentence embeddings

エンベディングは、コンピューターが「意味」を測る方法です。似たことを言っている 2 つのテキストは、似た方向を向いた 2 つのベクトルになります。

## しくみ

テキストを埋め込みモデルに送ると、固定長のベクトルが 1 つ返ってきます。OpenAI のガイドは端的に「An embedding is a vector (list) of floating point numbers.」（訳：エンベディングとは、浮動小数点数のベクトル（リスト）である）と説明しています。長さはモデルごとに決まっています。OpenAI の text-embedding-3-small はデフォルトで 1,536 個、text-embedding-3-large は 3,072 個の数値を返します。

2 つのテキストを比べるには、そのベクトルを比べます。OpenAI はコサイン類似度を勧めています。同社のベクトルは長さ 1 に正規化されているので、単純な内積でも同じ順位になります。クエリのベクトルを何百万もの保存済みベクトルと比べるのが、セマンティック検索の中核です。それを大規模に高速で行うのが[ベクトルデータベース](https://broadrouter.com/ja/glossary/vector-database/)の役割です。

埋め込みモデルはチャットモデルとは別の種類のモデルです。入力全体を読んで数値を返し、テキストは生成しません。課金は入力[トークン](https://broadrouter.com/ja/glossary/token/)単位で、支払うべき出力テキストはありません。

## なぜ重要か

-   **検索。** エンベディングは[検索拡張生成](https://broadrouter.com/ja/glossary/rag/)の最初のステップとして一般的です。ドキュメントを一度埋め込み、質問のたびにそれを埋め込み、最も近いチャンクを取り出してチャットモデルに渡します。
-   **モデルの選択で結果が変わります。** MTEB ベンチマークは 8 種類のタスク、58 のデータセット、112 の言語で 33 のモデルをテストし、「no particular text embedding method dominates across all tasks.」（訳：すべてのタスクで優位に立つテキスト埋め込みの手法はない）という結果でした。特にアラビア語や多言語が混ざるテキストでは、ご自身のクエリでテストしてください。
-   **ロックイン。** あるモデルのベクトルは、別のモデルのベクトルと比較できません。埋め込みモデルを替えるには、コーパス全体を埋め込み直す必要があります。

## BroadNet Inference の場合

BroadNet のドキュメントに記載されているのは `/v1/chat/completions`、`/v1/audio/transcriptions`、`GET /v1/models`（モデル一覧）で、エンベディングのエンドポイントはありません。検索や RAG のシステムでは、別の埋め込みモデル（ホスト型の API か、自分で動かすオープンモデル）と、回答を担当する BroadNet のチャットモデルを組み合わせてください。[アラビア語の RAG ガイド](https://broadrouter.com/ja/blog/arabic-rag-search/)では、多言語の埋め込みモデルを使ってこの分担を示しています。

ドキュメントが収まるなら、長いコンテキストウィンドウで検索そのものを省けることもあります。トレードオフは[長いコンテキストと RAG の比較](https://broadrouter.com/ja/blog/long-context-vs-rag/)にあります。

## よくある間違い

-   2 つの埋め込みモデルのベクトルを 1 つのインデックスに混在させること。
-   チャンクではなくドキュメント全体を埋め込むこと。50 ページを 1 つのベクトルにすると、含まれるすべてのトピックがぼやけます。
-   ドキュメントだけ正規化してクエリはしない、またはその逆。両方に同じテキストのクリーニングを適用してください。

## よくある質問

### エンベディングはトークンと同じですか？

いいえ。トークンはモデルが読むテキストの断片です。エンベディングは、文や段落などの入力全体に対して埋め込みモデルが出力するベクトルです。

### エンベディングの次元数はいくつですか？

モデルによります。OpenAI の text-embedding-3-small はデフォルトで 1,536 個、text-embedding-3-large は 3,072 個の数値を返し、どちらも dimensions パラメーターで短くできます。

### BroadNet Inference にエンベディングのエンドポイントはありますか？

いいえ。BroadNet のドキュメントに記載されているのは /v1/chat/completions と /v1/audio/transcriptions だけです。検索には別の埋め込みモデルを使い、生成のステップに BroadNet を使ってください。

## 関連項目

-   [RAG（検索拡張生成）](https://broadrouter.com/ja/glossary/rag/) (用語)
-   [ベクトルデータベース（vector database）](https://broadrouter.com/ja/glossary/vector-database/) (用語)
-   [トークン（token）](https://broadrouter.com/ja/glossary/token/) (用語)
-   [コンテキストウィンドウ（context window）](https://broadrouter.com/ja/glossary/context-window/) (用語)
-   [OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/) (用語)
-   [ハイブリッド検索（hybrid search）](https://broadrouter.com/ja/glossary/hybrid-search/) (用語)
-   [リランキング（reranking）](https://broadrouter.com/ja/glossary/reranking/) (用語)
-   [OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/) (ガイド)
-   [アラビア語 RAG：うまくいく正規化、チャンク分割、検索](https://broadrouter.com/ja/blog/arabic-rag-search/) (記事)
-   [ロングコンテキストか RAG か：100 万トークンがベクトル DB に代わるとき](https://broadrouter.com/ja/blog/long-context-vs-rag/) (記事)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-embeddings&utm_content=page-cta) ·

**出典**

-   [OpenAI、ベクトル埋め込みのガイド（次元数、コサイン類似度、入力トークンあたりの料金）](https://developers.openai.com/api/docs/guides/embeddings)
-   [Muennighoff ら、MTEB: Massive Text Embedding Benchmark（arXiv）](https://arxiv.org/abs/2210.07316)
-   [BroadNet Inference API リファレンス、モデル ID とエンドポイント （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-embeddings&utm_content=sources#models)
