Googleは2026年6月、オープンソースのマルチモーダルモデル「Gemma 4 12B」を公開しました。画像・音声・テキストをネイティブに処理できるマルチモーダルモデル（複数の種類の情報を入力として扱えるAIモデル）でありながら、16GBのVRAMまたは統合メモリで動作するため一般的なラップトップへの展開が可能です。従来の視覚・音声モデルが必要としていた個別のエンコーダを排除したアーキテクチャが特徴で、Apache 2.0ライセンスで公開されています。
背景と文脈
GoogleのGemmaシリーズは2024年初頭から展開が始まった開発者向けオープンモデル群です。商用利用可能なオープンライセンスで提供されており、MetaのLlamaシリーズと並んでオープンソースモデル市場の主要プレイヤーになっています。これまでGemmaシリーズはテキスト中心のモデルとして提供されてきましたが、マルチモーダル能力を持つGemma 3シリーズの登場以降、視覚・テキストの統合処理が可能になっていました。
今回のGemma 4 12Bは「音声のネイティブサポート」を初めて中型モデルに搭載した点が新しい特徴です。これまでGoogleの音声モデルはGemini Nanoなど特定用途向けに限られていましたが、開発者が自由に使えるオープンモデルに音声処理が組み込まれるのは今回が初めてです。26Bの大きなモデルが必要だったマルチモーダル推論タスクを、より小さく軽量な12Bで実現できるようになりました。
ローカル実行可能なマルチモーダルモデルへの需要は高まっています。クラウドAPIを使わずデバイス上でAI処理を完結させたいニーズは、プライバシー保護・レイテンシ削減・オフライン動作の観点から増え続けており、特に企業内データを扱うエンタープライズ用途で顕著です。Gemma 4 12Bはこの需要に直接応えるモデルといえます。
技術/ビジネス面
Gemma 4 12Bの最大のアーキテクチャ上の特徴はエンコーダを持たない点です。従来の視覚・音声対応モデルは、画像や音声を処理する専用エンコーダ（情報を数値表現に変換するモジュール）を言語モデルに組み合わせた構成が一般的でした。Gemma 4 12Bでは視覚入力を「単一の行列演算」で埋め込みに変換し、音声は生信号をそのままテキストトークンと同じ次元空間に投影します。エンコーダが不要になることでモデル全体のメモリフットプリントが削減され、同等の能力を持つ26B MoEモデルと比べて総メモリ使用量が半分以下に収まっています。
マルチトークン予測（Multi-Token Prediction）機能も搭載されています。通常のオートレグレッシブ生成（1トークンずつ順番に出力する方式）と異なり、次の複数トークンをまとめて予測することでレイテンシを削減します。加えて、ドラフターと呼ばれる補助モジュールが推論速度をさらに高速化します。
ベンチマーク性能については、標準的な評価基準において26B MoEモデルに近い結果を示すとGoogleは発表しています。音声処理ではリアルタイムの質問応答やコマンド認識が可能で、視覚処理では画像の理解と記述が行えます。Apache 2.0ライセンスで公開されているため、商用プロダクトへの組み込みが可能で、Hugging Face・Kaggle・各種開発フレームワーク経由でダウンロードできます。
ビジネス的には、ローカル動作モデルへの参入コストが下がることを意味します。16GBのVRAMまたは統合メモリはM3 ProやM4 Maxなどのラップトップや、一般的なゲーミングGPU搭載PCで達成可能なスペックです。オンプレミスで画像・音声・テキストを統合処理したい企業にとって、現実的な選択肢が一つ増えました。
これからどうなるか
音声のネイティブ対応が開発者向けオープンモデルに加わることで、ローカルAIアシスタントや音声コマンド処理ツールの開発が加速しそうです。これまでWhisperなどの音声認識モデルと言語モデルを繋ぐ構成が必要だったユースケースを、Gemma 4 12B単体でカバーできる可能性があります。
実装者の視点では、既存のGemmaベースのRAGパイプラインやチャットボットに音声入力を追加したい場合、Gemma 4 12Bへの乗り換えがシンプルな選択肢になります。16GBという動作条件は多くのCI/CD環境やローカル開発マシンで満たせるスペックであり、テスト環境を整えるコストも低いといえます。ただし音声処理の実際の精度や多言語対応の深さは今後のコミュニティによる実測評価を待つ必要があります。
オープンモデル競争では、MetaのLlama 4シリーズや中国のQwenシリーズとの比較が今後の焦点になるでしょう。エンコーダ不要の軽量マルチモーダル設計はGemma 4 12Bの差別化ポイントですが、実用的な音声・視覚精度においては公開後のベンチマーク結果が採用判断を左右します。
まとめ
GoogleのGemma 4 12Bは、エンコーダを排除した軽量設計で音声・画像・テキストをネイティブ処理できるオープンソースモデルです。16GBのVRAMで動作するためラップトップへの展開が可能で、Apache 2.0ライセンスで商用利用もできます。既存のGemmaベースパイプラインに音声入力を追加したい開発者にとって、まず試す価値のある選択肢です。
参考リンク
アイキャッチ画像: Photo by Google DeepMind on Unsplash
