クラウドAPIを使わなくても、手元のラップトップRAM 2GB でマルチモーダル推論を完結できるモデルが手に入るようになりました。Google DeepMind が 2026 年 6 月 22 日に正式公開した Gemma 3n は E2B（実効 2B）と E4B（実効 4B）の 2 サイズで、画像・音声・動画・テキストをネイティブに扱えます。Apache 2.0 ライセンスで Hugging Face と Google AI for Developers から誰でも入手できます。
モデルサイズとメモリの関係が変わった
まず気になるのは raw のパラメータ数です。E2B は 5B、E4B は 8B あります。しかし実際に必要なメモリは E2B で 2GB、E4B で 3GB です。
新しいアーキテクチャでは、各レイヤーが必要なパラメータをその都度ロードし、使い終わったものをメモリから解放します。その結果、物理的なパラメータ数より大幅に小さいメモリフットプリントで動作します。「5B モデルを動かすには 10GB 以上の VRAM が要る」という経験則が通じない設計で、今後はパラメータ数と実効メモリフットプリントを分けて確認する必要があります。
マルチモーダルモデルは従来、大容量のサーバGPUが前提でした。Gemma 3n は前世代のプレビュー版（2026 年 5 月）を経て正式版になり、同じアーキテクチャで画像・音声・動画を同時に扱えます。画像認識モデルと音声認識モデルを別々に動かしていた構成を、Gemma 3n 1 本に束ねられる可能性があります。
手元で試す入口
ollama または Hugging Face transformers（最新版）から使えます。ollama 経由ではモデルを 1 コマンドで取得でき、ターミナルからすぐにプロンプトを送れます。変換後のテキストを他のサービスに渡すパイプラインも、追加ライブラリなしで組めます。
RAG パイプラインへの組み込みを考えているなら、PDF スキャンや手書き文書の画像を Gemma 3n でローカル処理してテキスト化し、そのテキストをクラウド LLM へ送る分担が選択肢になります。データを外部に出せない業務や、件数が読めないバッチ処理では、ローカル実行のほうがコスト試算しやすくなります。
日本語での精度は別途確認が必要
今回の開発者ガイドには日本語テキストの評価ベンチマークが載っていませんでした。実測のスループット（トークン/秒）と量子化時の精度劣化率も、現時点では情報が出ていません。音声入力で対応している言語の詳細も未公表です。
本格的な組み込みを検討する前に、手元の小さなサンプルで日本語テキストの精度を確かめるのが安全です。
2GB って、どのくらいの大きさ？ こうちゃん：スマホに入ってるアプリをぜんぶ足すと 2GB ちょっとくらいのメモリを使ってるんだって。そのくらいで、写真も声も文字も一緒に読めるAIが動いちゃうんだって。 いっちゃん：えー、すごくない？ゲームのダウンロードより軽そう。 こうちゃん：そう、軽い方なんだよ。前はもっと大きいコンピュータじゃないとできなかったから、ちょっとびっくりしてる。
ローカルに置けるようになると何が変わるか
2GB という水準は、高性能なグラフィックボードなしに一般的なラップトップの RAM だけで動く域です。マルチモーダル推論が「クラウドに送るもの」から「手元で完結できるもの」になるとき、まず変わるのはデータの移動ルートです。社外に出せない画像や音声を、ローカル推論でテキスト化してから外部 API に渡すという設計が選べるようになります。日本語精度の確認という一歩を踏んでから、自分の用途に合うかどうかを判断できます。
他にこんな動きも：同日、Gemini 3 Flash が Google AI Studio・Gemini CLI でグローバルロールアウトを開始しました。クラウド推論を選ぶ場合の選択肢として、Gemini 3 Flash が API 経由で利用できるようになっています。