谷歌发布了Gemini Embedding 2，这是首个原生多模态嵌入模型，能够将文本、图像、视频和音频映射到3072维向量空间。音频嵌入以固定长度的向量表示，捕捉声音的语义内容，实现跨模态检索。研究显示，模块组合方法在小模型中表现优异，音频嵌入在智能系统、实时监控和多模态工作流中有广泛应用。