Tu app ya puede buscar texto, imágenes y audio juntos — gratis
Google lanzó un modelo abierto y gratuito que entiende texto, imágenes, video y audio como un solo sistema, haciendo que la búsqueda multimodal sea accesible para cualquier equipo.
- 740M
- parámetros en el modelo completo
- 567 MB
- RAM necesaria en un teléfono
- 100+
- idiomas soportados
- Oct 6, 2026
- fecha de lanzamiento
Si alguna vez quisiste que tu aplicación buscara a la vez en documentos, fotos y grabaciones de voz, Google te ofrece hoy una herramienta gratuita para hacerlo. Google DeepMind lanzó EmbeddingGemma 2 el 6 de octubre — un modelo de IA pequeño y abierto que entiende texto, imágenes, video y audio juntos como un solo sistema.
Así funciona: el modelo lee cualquier contenido — una frase, una foto, un fragmento de audio — y lo convierte en una lista de números que captura su significado. Dos cosas con significado similar obtienen números similares. Cuando un usuario busca 'perro ladrando afuera', el modelo puede relacionar esa búsqueda con una foto relevante, un clip de audio y una descripción de texto — todo en un solo paso de búsqueda, sin necesitar tres sistemas separados.
El lado práctico es igual de bueno. El modelo completo cabe en unos 567 MB de RAM, suficientemente pequeño para un teléfono moderno. Se publica bajo Apache 2.0, lo que significa que es completamente gratuito para usar en productos comerciales. Soporta más de 100 idiomas y ya está disponible en Hugging Face y Kaggle.
La forma antigua de construir búsqueda multimodal requería modelos de IA separados para cada tipo de medio, índices separados y código personalizado para combinar resultados. Eso añadía costos, complejidad y facturas de API. Ahora, un pequeño modelo abierto hace el trabajo. Para cualquier equipo que construya búsqueda, recomendaciones o coincidencia de contenido, el mayor obstáculo acaba de desaparecer — y no hay razón para esperar.