임베딩 모델이 뭔지, 한 문장으로

Gemini Embedding 2를 이야기하기 전에, 임베딩 모델이 뭔지 먼저 짚어두는 게 좋습니다. 임베딩 모델은 텍스트·이미지·오디오 같은 비정형 데이터를 숫자 벡터로 변환하는 모델입니다. 핵심은 “비슷한 내용은 벡터 공간에서 가까이 있다”는 것이고, 이 원리가 RAG(검색 증강 생성), 시맨틱 검색, 추천 시스템의 기반이 됩니다.

기존 임베딩 모델은 모달리티 하나에 집중했습니다. OpenAI의 text-embedding-3-large는 텍스트 전용이고, CLIP은 이미지+텍스트 쌍에 특화돼 있습니다. 이미지·오디오·영상을 같이 검색하려면 각각 다른 모델을 돌리고, 결과를 나중에 합쳐야 했습니다. 운영 파이프라인 복잡도가 올라가는 게 당연한 구조였습니다.

▲ 목차로 돌아가기

오디오 전사 없이 처리된다는 게 실제로 무슨 뜻인가

솔직히 처음엔 “전사 없이 오디오 임베딩”이라는 말이 마케팅 문구처럼 들렸습니다. 막상 공식 API 문서를 보면 이건 실제 아키텍처 차이입니다. 기존 파이프라인에서는 오디오 파일이 들어오면 별도의 ASR(Automatic Speech Recognition) 모델이 먼저 텍스트를 뽑아내고, 그 텍스트를 임베딩 모델에 다시 넣었습니다. 단계가 두 개입니다.

실제로 이 차이가 숫자로 나타납니다. 크리에이터 플랫폼 Sparkonomy는 기존 파이프라인을 Gemini Embedding 2로 전환한 뒤 레이턴시가 최대 70% 감소하고, 텍스트-영상 쌍의 시맨틱 유사도 점수가 0.4에서 0.8로 두 배 가까이 올랐다고 밝혔습니다(출처: Google 공식 블로그, 2026.03.10). 중간 단계 하나가 사라졌을 뿐인데 레이턴시가 반 이상 줄어든 겁니다. 파이프라인 단계 수가 성능에 직결된다는 걸 보여줍니다.

▲ 목차로 돌아가기

지원 스펙 전체를 한눈에 — 공식 문서 기준

지원 모달리티와 제한 조건을 공식 Vertex AI 문서(2026.03.10 기준)에서 직접 확인한 수치입니다. 제한 조건은 “1회 요청당” 기준임을 주의해야 합니다. 전체 DB에 이 분량만 넣을 수 있다는 뜻이 아닙니다.

출처: Google Vertex AI 공식 문서, 2026.03.10 (https://docs.cloud.google.com/vertex-ai/generative-ai/docs/models/gemini/embedding-2)

출력 차원은 기본 3,072이며, Matryoshka Representation Learning(MRL) 방식으로 768·1536·3072 중 선택해 줄일 수 있습니다. 768차원도 3072차원과 MTEB 점수 차이가 크지 않은데(67.99 vs 68.16, gemini-embedding-001 기준), 스토리지 비용을 아끼고 싶을 때 유용합니다.

▲ 목차로 돌아가기

업그레이드하면 기존 DB 전부 날립니다 — 호환성 문제

“성능 좋아졌으니 업그레이드하면 끝”이라고 생각하기 쉬운데, 그게 아닙니다. 공식 API 문서에 명확하게 나옵니다. “The embedding spaces between gemini-embedding-001 and gemini-embedding-2-preview are incompatible.”(출처: Gemini API 공식 문서, https://ai.google.dev/gemini-api/docs/embeddings)

두 모델이 만든 벡터는 서로 다른 고차원 공간에 있어서, 이전 모델로 만든 벡터와 새 모델로 만든 벡터를 직접 비교할 수 없습니다. gemini-embedding-001로 인덱싱한 문서 10만 개가 있다면, gemini-embedding-2-preview로 전환할 때 그 10만 개를 전부 다시 임베딩해야 한다는 뜻입니다. 전환 비용이 “한 번의 연산 부담”으로 끝나지 않고, 서비스 규모에 따라 상당한 시간과 API 비용이 따라옵니다.

이 부분은 기존 RAG 시스템을 운영 중인 상황에서 업그레이드를 계획할 때 반드시 미리 확인해야 합니다. 데이터 규모에 따라 전환 비용 추정치를 계산해두는 게 좋습니다. 예를 들어 100만 토큰 규모의 텍스트 코퍼스를 재임베딩하면 $0.25의 비용이 발생합니다($0.25/1M 토큰 기준).

▲ 목차로 돌아가기

오디오 요금이 2배인 진짜 이유

이 차이는 “오디오를 전사 없이 처리한다”는 특징과 직접 연결됩니다. 기존 파이프라인에서는 ASR 모델이 음성을 텍스트로 바꾼 뒤 임베딩 모델에 넘겼습니다. Gemini Embedding 2는 ASR 단계를 없애고 음파 데이터를 모델 안에서 직접 처리합니다. 이 네이티브 오디오 처리가 연산 집약도가 더 높아서, 요금이 두 배로 책정된 겁니다. 파이프라인이 단순해진 대신 모델 내부 연산 부담이 커진 구조입니다.

80초짜리 음성 파일 하나가 몇 토큰으로 환산되는지는 구글이 공식 답변을 내놓지 않은 부분입니다. 대략적인 비용 예측을 위해서는 Vertex AI 요금 계산기나 Batch API(기본 요금의 50%)를 활용하는 게 현실적입니다. Batch API는 레이턴시가 덜 중요한 대규모 재인덱싱 작업에 적합합니다.

▲ 목차로 돌아가기

실제로 쓸 때 막히는 조건들 — WebP, PDF 6페이지 제한 외

공식 스펙만 보면 모르는 실제 제약들이 있습니다. Google AI 개발자 포럼(discuss.ai.google.dev, 2026.03.20 기준)에서 확인된 이슈 중 주목할 만한 건 WebP 이미지 미지원입니다. 모델 코드 상으로는 PNG와 JPEG만 지원하며, WebP를 요청하면 오류가 납니다. 웹에서 PNG/JPEG보다 WebP가 더 많이 쓰이는 시대에 이 제한은 실제 서비스 연동 시 변환 단계를 추가해야 함을 뜻합니다.

PDF는 최대 6페이지입니다. 100페이지짜리 계약서를 한 번에 넣으면 안 됩니다. 6페이지 단위로 청킹(chunking)해서 각각 임베딩하고 DB에 쌓는 방식으로 처리해야 합니다. 대신, DB에는 개수 제한 없이 수천만 개의 6페이지 청크를 저장할 수 있습니다.

영상의 경우 오디오 트랙이 포함된 MP4는 80초, 영상만 있으면 120초까지 처리됩니다. 즉 영상 길이 제한이 오디오 트랙 유무에 따라 달라집니다. 2분짜리 인터뷰 영상을 오디오 포함해서 임베딩하려면 80초 단위로 잘라야 합니다. Vertex AI 환경에서는 Standard PayGo만 지원하며, Flex PayGo나 Provisioned Throughput, Batch prediction은 현재 지원하지 않습니다(출처: Vertex AI 공식 모델 카드, 2026.03.10).

▲ 목차로 돌아가기

다른 임베딩 모델과 비교하면 어디서 앞서고 어디서 뒤집히나

텍스트 전용 작업에서는 여전히 경쟁 구도가 있습니다. OpenAI text-embedding-3-large는 MTEB 64.6%, Cohere Embed v4는 MTEB 65.2%입니다. gemini-embedding-001은 MTEB 68.16%으로 이미 이 둘보다 높고, gemini-embedding-2-preview는 여기에 멀티모달 처리 능력까지 더해집니다(출처: AIlog RAG MTEB 리더보드, 2026.01.16; Gemini API 공식 문서).

출처: Gemini API 공식 문서, OpenAI API 공식 문서, AIlog RAG MTEB 리더보드 (2026.01.16)

순수 텍스트 처리 비용만 보면 gemini-embedding-001($0.15)이나 OpenAI($0.13)보다 gemini-embedding-2-preview($0.25)가 더 비쌉니다. 텍스트 전용 RAG라면 gemini-embedding-001이 더 합리적인 선택일 수 있습니다. 멀티모달 데이터가 섞여 있거나, 영상·오디오 검색이 필요한 경우에 gemini-embedding-2-preview가 파이프라인 단순화 효과를 냅니다.

▲ 목차로 돌아가기

자주 나오는 질문 5가지

▲ 목차로 돌아가기

마치며 — 총평

다만 아무 조건 없이 갈아탈 수 있는 건 아닙니다. 기존 gemini-embedding-001 기반 DB를 쓰고 있다면 전체 재임베딩이 필요하고, 오디오는 요금이 2배, WebP는 아직 안 되고, 영상에 오디오가 섞이면 120초 제한이 80초로 줄어듭니다. 이 조건들을 미리 체크하지 않으면 멀티모달로 전환했다가 예상보다 높은 비용이 나올 수 있습니다.

2026년 3월 현재 Public Preview 단계이고, 아직 Vertex AI에서 Batch prediction은 지원되지 않습니다. 대규모 인덱싱을 계획하고 있다면 Batch API(Gemini API 기준, 50% 할인)를 활용하거나 GA 전환 시점을 기다리는 것도 선택지입니다.

본 포스팅 참고 자료

1. Google 공식 블로그 — Gemini Embedding 2 발표문 (2026.03.10)
2. Gemini API 공식 임베딩 문서
3. Vertex AI 공식 Gemini Embedding 2 모델 카드
4. VentureBeat — Gemini Embedding 2 가격 및 파트너 사례 (2026.03.11)
5. Milvus 공식 블로그 — 멀티모달 임베딩 vs. 멀티벡터 비교 분석 (2026.03.13)