Guide

Embeddings Google, cinq types de contenu dans un seul espace

Les embeddings Google (Gemini, Vertex AI) : type de tâche, modèle multimodal, réduction des dimensions, tarifs et comparaison avec OpenAI, Cohere et Voyage.

L'équipe CodeWorlds14 min de lecture ·

Pratique Python dans des leçons interactives avec un éditeur de code.

Crée un compte gratuit→
Dans cet article9

Google propose des modèles d'embeddings par deux voies : une API plus simple pour les développeurs et une plateforme cloud pour les déploiements en entreprise. Les modèles sont les mêmes ; ce qui diffère, c'est la couche d'accès, la facturation et la machinerie de gestion qui les entoure.

Ce qui distingue le modèle le plus récent est la plus grande différence de toute cette catégorie. Au-delà du texte et des images, il accepte la vidéo, l'audio et des documents entiers, en plaçant tout dans un seul espace partagé. Une requête écrite en mots peut donc retrouver un passage dans un enregistrement ou une scène d'un film, sans les décrire en texte.

Ce texte traite des modèles d'embeddings eux-mêmes. Un tour d'horizon plus large de la famille de modèles de langage de ce fournisseur se trouve dans un article séparé.

Le type de tâche, le paramètre qu'il faut fournir

C'est la source la plus fréquente de mauvais résultats à la première utilisation et ce qui distingue ces modèles des offres les plus simples de la concurrence.

À chaque appel, tu déclares à quoi sert le vecteur. Un document qui entre dans l'index est marqué différemment d'une requête d'utilisateur, et différemment encore d'un texte destiné à la classification, au clustering ou à l'évaluation de la similarité entre deux textes.

Python
from google import genai

client = genai.Client()

documents = client.models.embed_content(
    model="gemini-embedding-001",
    contents=chunks,
    config={"task_type": "RETRIEVAL_DOCUMENT", "output_dimensionality": 768},
)

question = client.models.embed_content(
    model="gemini-embedding-001",
    contents=["What is the notice period?"],
    config={"task_type": "RETRIEVAL_QUERY"},
)

Le modèle traite les deux cas différemment, car une requête et un document sont de nature différente. Une requête est courte et interrogative, un document long et déclaratif, donc les embedder de la même façon dégrade la correspondance.

L'erreur la plus fréquente est d'utiliser la même valeur pour les deux. La recherche fonctionne alors, renvoie des résultats, et est simplement nettement moins bonne, si bien que le problème passe souvent inaperçu pendant des mois.

Une valeur distincte sert à évaluer la similarité entre deux textes, par exemple pour détecter des doublons. L'utiliser pour la recherche donne de moins bons résultats que la paire prévue à cet effet, même si elle paraît intuitivement juste.

Note la valeur utilisée lors de la construction de l'index et stocke-la avec les vecteurs. Changer le type de tâche en ajoutant de nouveaux documents produit des entrées incomparables avec le reste, et le symptôme est simplement de moins bons résultats pour une partie de la collection, sans erreur et sans cause évidente.

Une réserve vaut pour le modèle multimodal plus récent, où ce paramètre n'existe pas. Là, tu déclares la tâche via un préfixe écrit dans le contenu lui-même : une requête est formatée comme task: search result | query: ... et un document comme title: ... | text: .... Porter du code depuis le modèle texte revient donc à réécrire la façon dont tu construis le texte plutôt que l'appel. Une seconde différence est encore plus facile à manquer : le modèle texte renvoie un vecteur distinct pour chaque élément de la liste, alors que le multimodal fusionne plusieurs entrées en un seul vecteur agrégé, donc embedder de nombreux fragments à la fois est un travail pour le mode batch plutôt que pour une liste dans un seul appel.

Le modèle multimodal

Le modèle gemini-embedding-2 a introduit quelque chose que la concurrence n'offre pas à cette échelle : un seul espace pour cinq types de contenu. L'aperçu a ouvert le 10 mars 2026 et la disponibilité générale a suivi le 22 avril 2026.

Texte, images, vidéo, audio et documents entrent dans un espace partagé par la même architecture. Cela signifie qu'un seul index sert tout, et que comparer une requête textuelle à un passage d'un enregistrement est un calcul de distance ordinaire, sans rien traduire en texte intermédiaire.

Les usages où la différence est la plus grande sont précis. Une archive d'enregistrements de réunions, où une question sur une décision retrouve le moment où elle a été prise. Une vidéothèque, où tu cherches une scène plutôt qu'un fichier. Une collection de documents dont le contenu vit dans la mise en page visuelle : présentations, formulaires, schémas.

Pour ce dernier cas, remarque combien d'étapes il saute. La voie classique exige de reconnaître le texte à partir de l'image, de reconstruire la structure et d'embedder le résultat, et chacune de ces étapes perd un peu d'information. Embedder la page comme image saute toute cette chaîne.

Le modèle accepte aussi une entrée quatre fois plus longue que la génération précédente, huit mille cent quatre-vingt-douze tokens au lieu de deux mille quarante-huit, ce qui économise du travail sur les documents qu'on ne peut pas découper raisonnablement. Ce n'est pas une invitation à embedder des documents entiers, toutefois, car un vecteur moyenne le contenu, donc un document qui couvre douze sujets cesse de correspondre à quoi que ce soit.

Les limites par modalité sont strictes et méritent d'être connues avant de concevoir l'index : audio jusqu'à cent quatre-vingts secondes, vidéo jusqu'à cent vingt secondes et au plus trente-deux images, un PDF jusqu'à six pages et un fichier par requête. Plus un piège tiré droit de la documentation : la piste audio d'un fichier vidéo n'est pas traitée, donc l'enregistrement d'une réunion doit être fourni séparément en vidéo et en audio.

Réduire les dimensions

Par défaut, un vecteur contient trois mille soixante-douze dimensions, et le modèle permet d'en demander un plus court, jusqu'à cent vingt-huit, sans recalcul.

Le fait essentiel est que le prix au token ne dépend pas du nombre de dimensions. L'économie se situe entièrement côté stockage et recherche, où elle est substantielle.

L'arithmétique convainc. Un vecteur de trois mille dimensions occupe douze kilo-octets ; le même tronqué à sept cent soixante-huit en occupe trois. Sur cinq millions de fragments, c'est la différence entre soixante et quinze gigaoctets dans la base vectorielle, plus une comparaison quatre fois plus rapide.

La perte de précision vers sept cents dimensions est imperceptible sans mesure dans la plupart des usages. Fais tout de même cette mesure, car elle dépend de la collection : cinquante vraies questions avec des réponses attendues, la même collection indexée des deux façons, et une comparaison de la fréquence à laquelle le bon document est arrivé dans les cinq premiers.

Une réserve technique : les vecteurs tronqués doivent être normalisés, car la coupe perturbe leur longueur. Sur le modèle texte, tu le fais toi-même, pour tout nombre de dimensions autre que les trois mille soixante-douze complètes. Le modèle multimodal normalise lui-même les vecteurs tronqués, donc en portant du code, cette étape doit être supprimée plutôt que copiée.

Tarifs et deux voies d'accès

La facturation suit les tokens d'entrée, et le tarif se situe au milieu du marché : nettement au-dessus des fournisseurs de texte les moins chers et en dessous des modèles spécialisés.

Le mode batch divise le prix par deux en échange de résultats livrés avec un délai. Pour une indexation d'archive ponctuelle, c'est un choix évident ; pour une indexation continue, il est inutile.

Choisir entre l'API plus simple et la plateforme cloud dépend de ce dont tu as besoin autour du modèle lui-même. L'API plus simple donne une clé et un appel, ce qui suffit pour un prototype et une application modeste. La plateforme ajoute la gestion des permissions, la facturation au sein d'un projet cloud, le choix de la région de résidence des données et des accords de traitement, ce qui, dans un déploiement en entreprise, est parfois une condition d'entrée.

Quand tu établis le budget, chiffre séparément l'indexation et la recherche. Indexer un million de fragments de cinq cents tokens, c'est cinq cents millions de tokens, un coût ponctuel de quelques dizaines de dollars. Les requêtes coûtent bien moins, puisqu'elles font une douzaine de tokens environ, donc c'est l'indexation qui domine la facture plutôt que le trafic des utilisateurs.

Il en découle un conseil facile à manquer : construis un cache de vecteurs dès le premier jour. Le même fragment traité deux fois donne le même résultat, donc stocker un hash du contenu avec le vecteur te permet de sauter tout ce qui est inchangé. Sur une archive mise à jour de façon incrémentale, cela transforme un recalcul complet coûteux en un complément peu coûteux de la différence, et lors d'une première indexation ratée, cela évite de payer à nouveau toute la facture.

Rechercher dans des enregistrements en pratique

Puisque la prise en charge de la vidéo et de l'audio est la principale différence ici, il vaut la peine de montrer toute la chaîne, car les décisions diffèrent de celles du texte.

La première concerne l'unité. Avec du texte, un fragment correspond à une section ou à un paragraphe ; avec un enregistrement, tu dois choisir une longueur de segment. Trop court, il ne porte pas de contexte, trop long, il dilue le sens, car cinq minutes de conversation contiennent plusieurs sujets. Des segments de quelques dizaines de secondes avec un faible chevauchement fonctionnent comme point de départ.

La deuxième concerne ce qu'il faut conserver avec le vecteur. Un horodatage est obligatoire ici, car sans lui un résultat de recherche pointe vers un fichier plutôt que vers un moment. L'utilisateur veut sauter à la bonne minute d'un enregistrement, pas ouvrir une heure de contenu et la fouiller.

La troisième concerne le coût. Les enregistrements sont facturés différemment du texte et l'écart n'est pas cosmétique : l'audio est facturé à la seconde et la vidéo à l'image, et par million de tokens l'audio atterrit des dizaines de fois au-dessus du texte, la vidéo encore plus haut. Une heure d'audio coûte quelques dizaines de centimes, donc une archive qui se compte en centaines d'heures demande un budget établi avant de commencer. Pour les enregistrements de réunions, envisage un montage mixte : une transcription textuelle comme base de la recherche, avec l'audio embeddé seulement là où le ton ou le contenu non verbal compte.

La quatrième, la plus souvent oubliée, concerne le consentement. Un enregistrement contient la voix de personnes précises, donc son traitement et son stockage relèvent de règles différentes de celles d'un document texte. Règle cela avant de construire l'index plutôt qu'après la première question du service juridique.

Recherche hybride et limites des embeddings

Les embeddings ont une faiblesse commune à tous les fournisseurs, qu'il faut connaître avant de bâtir toute une couche de recherche dessus.

La recherche fondée sur le sens manque les correspondances exactes. Une requête sur un numéro de facture, un code d'erreur, un nom propre ou un identifiant de produit peut ne pas atteindre le document qui contient exactement cette valeur, car une chaîne comme un code produit ne porte aucun sens pour le modèle.

La réponse est de combiner deux méthodes de recherche : la classique, fondée sur la correspondance de mots, et la sémantique. Les résultats des deux se fusionnent en une seule liste, le plus simplement par position plutôt que par score, car les deux échelles sont incomparables.

La seconde limite concerne ce que les embeddings peuvent faire tout court. Ils trouvent des documents proches en sens d'une question plutôt qu'ils n'y répondent. Si une réponse exige de combiner des informations de trois documents ou de calculer quelque chose, aucun modèle d'embedding ne le fera, car c'est une tâche pour la couche qui génère la réponse.

La troisième concerne la fraîcheur. Les vecteurs reflètent l'état d'un document au moment de l'indexation, donc le contenu modifié ou retiré doit être retraité ou supprimé de l'index. Sans cela, la recherche renvoie du contenu qui n'existe plus, et cette erreur est plus difficile à remarquer qu'une absence de résultats.

Les embeddings Google face aux alternatives

OptionPoint fortPoint faibleÀ choisir quand
GoogleCinq types de contenu dans un espace, types de tâchesPlus cher que les options texte les moins chèresUne archive avec enregistrements, vidéo et documents
OpenAIPrix le plus bas, simplicitéTexte seulementRecherche sur des documents ordinaires
CohereImages plus quantification des vecteursPas de vidéo ni d'audioDocuments à la mise en page visuelle
Voyage AIEspace partagé au sein d'une famille de modèlesTexte seulementUn projet où le modèle peut changer

La décision se ramène à une question : que contient ta collection. Avec des notes, de la documentation et de la correspondance, l'option texte la moins chère suffit et tu ne remarqueras pas de différence. Avec des enregistrements, de la vidéo ou des documents dont le contenu vit dans la mise en page visuelle, la première ligne fait des choses que les autres ne font pas du tout.

Le second critère est l'infrastructure. Une équipe qui travaille déjà dans le cloud de ce fournisseur obtient la facturation au sein d'un projet existant, la gestion partagée des permissions et le choix de la région, ce qui simplifie la conformité plus que le seul prix ne le laisse penser.

Erreurs courantes

La première est d'omettre le type de tâche ou d'utiliser la même valeur pour les documents et les requêtes. La recherche fonctionne et est nettement moins bonne, si bien que le problème passe inaperçu longtemps.

La deuxième est de stocker des vecteurs de pleine longueur sur une grande collection. Tronquer à environ sept cents dimensions donne une base quatre fois plus petite sans changement du prix au token.

La troisième est de faire passer tout le contenu par la variante multimodale. Le texte ordinaire n'y gagne rien et coûte plus qu'un embedding texte.

La quatrième est d'embedder des documents entiers parce que le modèle accepte de longues entrées. Un vecteur moyenne le contenu, donc un document qui couvre de nombreux sujets cesse de correspondre à quoi que ce soit.

La cinquième est de mélanger dans un même index des vecteurs de modèles différents ou de réglages de dimensions différents. Ils ne sont pas comparables, et le symptôme est de moins bons résultats sans message d'erreur.

La sixième est d'estimer le coût à partir des seules requêtes. Dans un déploiement typique, la facture est dominée par l'indexation ponctuelle plutôt que par le trafic.

La septième est d'embedder des enregistrements sans horodatage. Un résultat de recherche pointe alors vers un fichier plutôt que vers un moment, et l'utilisateur reçoit une heure de contenu avec la tâche de retrouver lui-même la bonne minute.

FAQ

Quel type de tâche faut-il définir ?

Pour les documents qui entrent dans l'index, la valeur prévue pour les documents ; pour les requêtes d'utilisateurs, la valeur prévue pour les requêtes. Des valeurs distinctes existent pour la classification, le clustering et l'évaluation de la similarité entre deux textes. Les confondre dégrade nettement la précision. Le modèle multimodal n'a pas du tout ce paramètre ; là, la tâche va dans un préfixe écrit dans le contenu.

Qu'est-ce que le modèle multimodal m'apporte ?

Il embedde texte, images, vidéo, audio et documents dans un seul espace partagé, donc un seul index sert tout et une requête textuelle se compare directement à un passage d'un enregistrement. Sur une archive uniquement textuelle, il n'apporte rien de plus que le modèle texte et coûte plus cher.

Réduire les dimensions baisse-t-il le prix de l'appel ?

Non, le prix au token est le même quel que soit le nombre de dimensions. L'économie concerne le stockage et la vitesse de recherche, et sur une grande collection elle est substantielle : tronquer à environ sept cents dimensions donne une base quatre fois plus petite.

L'API plus simple ou la plateforme cloud ?

L'API plus simple suffit pour un prototype et une application modeste. La plateforme ajoute la gestion des permissions, le choix de la région de résidence des données et la facturation au sein d'un projet cloud, ce qui, dans un déploiement en entreprise, est parfois une condition d'entrée.

Où doivent vivre les vecteurs calculés ?

Dans n'importe quelle base de données vectorielle, comme celle présentée dans l'article sur Qdrant. Le fournisseur propose aussi son propre service de recherche vectorielle, pratique quand on travaille dans le même cloud, et qui te lie plus étroitement qu'une base que tu exploites toi-même.

Les modèles sont documentés sur le site de Google Cloud, et les types de tâches sur une page de documentation distincte.

À lire aussi