Embedding コスト比較：text-embedding-3-small vs Cohere vs Voyage

Embedding はまったく別の価格世界

チャットモデルは入力 + 出力トークンに課金しますが、Embedding モデルは入力のみで、補完がありません。単価も1桁違います:

モデル	$/1M トークン	次元数
OpenAI text-embedding-3-small	$0.020	1536
OpenAI text-embedding-3-large	$0.130	3072
Cohere embed-v3 multilingual	$0.100	1024
Voyage voyage-3	$0.060	1024
Cohere embed-v3 light	$0.020	384
Gemini text-embedding-004	無料（制限あり）	768

10,000,000 トークン（約750万語、中規模エンジニアリング Wiki 程度）のナレッジベースを text-embedding-3-small で1回 Embedding するコストは $0.20。四半期に1回再 Embedding しても実質無料です。

上位モデルが必要な場面

• 多言語検索：コーパスやクエリに複数言語が混在する場合、Cohere multilingual と Voyage が OpenAI を上回ります。
• コード検索：Voyage のコード特化版がセマンティックコード検索で text-embedding-3-small より高精度です。
• レイテンシ重視：1536次元の text-embedding-3-small は 3072次元の large より検索時に2倍速く、多くのベンチマークで関連度の差はわずかです。

ストレージ考慮事項

Embedding コストは API 呼び出しだけではありません。fp32 で1次元あたり4バイトです。10M トークン ÷ 1.5 トークン/チャンク = 6.7M チャンク × 1536次元 = 約40 GB を fp32 で消費します。Pinecone、Qdrant、Chroma はいずれも fp16 / int8 の量子化に対応しており、2〜4倍の削減が可能です。

再計算頻度

コーパス全体の再 Embedding が必要なのは Embedding モデルそのものが変わったとき（稀）か、ベクトル DB を移行するときだけです。新規ドキュメントの追加は同じトークン単価で増分更新されます。