pingcap · yahonda · Sep 14, 2026 · Sep 16, 2026
diff --git a/ai/examples/vector-search-with-pytidb.md b/ai/examples/vector-search-with-pytidb.md
@@ -9,7 +9,7 @@ summary: ベクトル埋め込みを用いたセマンティック検索を実
 
 このアプリケーションは、ローカル埋め込み生成に[Ollama](https://ollama.com/download)、Web UI に[Streamlit](https://streamlit.io/)、および RAG パイプラインを構築するために[`pytidb`](https://github.com/pingcap/pytidb) (TiDB 用の公式 Python SDK) を使用します。
 
-<p align="center"><img width="700" alt="ベクトル埋め込みを用いた意味検索" src="https://docs-download.pingcap.com/media/images/docs/ai/semantic-search-with-vector-embeddings.png" /><p align="center"><i>ベクトル埋め込みを用いた意味検索</i></p></p>
+<p align="center"><img width="700" alt="ベクトル埋め込みを用いたセマンティック検索" src="https://docs-download.pingcap.com/media/images/docs/ai/semantic-search-with-vector-embeddings.png" /><p align="center"><i>ベクトル埋め込みを用いたセマンティック検索</i></p></p>
 
 ## 前提条件 {#prerequisites}
 

diff --git a/ai/integrations/embedding-openai-compatible.md b/ai/integrations/embedding-openai-compatible.md
@@ -5,7 +5,7 @@ summary: TiDBベクトル検索をOpenAI互換の埋め込みモデルと統合
 
 # OpenAI互換埋め込み {#openai-compatible-embeddings}
 
-このチュートリアルでは、OpenAI互換の埋め込みサービスを使用してテキスト埋め込みを生成し、TiDBに保存し、意味検索を実行する方法を説明します。
+このチュートリアルでは、OpenAI互換の埋め込みサービスを使用してテキスト埋め込みを生成し、TiDBに保存し、セマンティック検索を実行する方法を説明します。
 
 > **Note:**
 >

diff --git a/ai/integrations/vector-search-auto-embedding-huggingface.md b/ai/integrations/vector-search-auto-embedding-huggingface.md
@@ -6,7 +6,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-huggingface/']
 
 # Hugging Face Embeddings {#hugging-face-embeddings}
 
-このドキュメントでは、 TiDB Cloudで Hugging Face 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)で使用する方法、テキストクエリによる意味検索を実行する方法について説明します。
+このドキュメントでは、 TiDB Cloudで Hugging Face 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)で使用する方法、テキストクエリによるセマンティック検索を実行する方法について説明します。
 
 > **Note:**
 >

diff --git a/ai/integrations/vector-search-auto-embedding-openai.md b/ai/integrations/vector-search-auto-embedding-openai.md
@@ -6,7 +6,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-openai/']
 
 # OpenAI埋め込み {#openai-embeddings}
 
-このドキュメントでは、 TiDB Cloudで OpenAI 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)で使用する方法、テキストクエリによる意味検索を実行する方法について説明します。
+このドキュメントでは、 TiDB Cloudで OpenAI 埋め込みモデルを[自動埋め込み](/ai/integrations/vector-search-auto-embedding-overview.md)で使用する方法、テキストクエリによるセマンティック検索を実行する方法について説明します。
 
 > **Note:**
 >

diff --git a/ai/integrations/vector-search-auto-embedding-overview.md b/ai/integrations/vector-search-auto-embedding-overview.md
@@ -1,12 +1,12 @@
 ---
 title: Auto Embedding Overview
-summary: 自動埋め込み機能を使用して、ベクトルではなくプレーンテキストで意味検索を実行する方法を学びましょう。
+summary: 自動埋め込み機能を使用して、ベクトルではなくプレーンテキストでセマンティック検索を実行する方法を学びましょう。
 aliases: ['/ja/tidbcloud/vector-search-auto-embedding-overview/']
 ---
 
 # 自動埋め込みの概要 {#auto-embedding-overview}
 
-自動埋め込み機能を使用すると、独自のベクトルを用意することなく、プレーンテキストで直接ベクトル検索を実行できます。この機能を使えば、テキストデータを直接挿入し、テキストクエリを使用して意味検索を実行できます。TiDBはバックグラウンドでテキストを自動的にベクトルに変換します。
+自動埋め込み機能を使用すると、独自のベクトルを用意することなく、プレーンテキストで直接ベクトル検索を実行できます。この機能を使えば、テキストデータを直接挿入し、テキストクエリを使用してセマンティック検索を実行できます。TiDBはバックグラウンドでテキストを自動的にベクトルに変換します。
 
 自動埋め込み機能を使用するための基本的なワークフローは以下のとおりです。
 
@@ -24,7 +24,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-overview/']
 >
 > Python の使用方法については、 [Pythonで自動埋め込みを使用する](#use-auto-embedding-in-python)を参照してください。
 
-以下の例は、コサイン距離を用いた自動埋め込み機能を使用して意味検索を実行する方法を示しています。この例では、APIキーは不要です。
+以下の例は、コサイン距離を用いた自動埋め込み機能を使用してセマンティック検索を実行する方法を示しています。この例では、APIキーは不要です。
 
 ```sql
 -- Create a table with auto-embedding

diff --git a/ai/integrations/vector-search-integrate-with-langchain.md b/ai/integrations/vector-search-integrate-with-langchain.md
@@ -33,7 +33,7 @@ aliases: ['/ja/tidb/stable/vector-search-integrate-with-langchain/','/ja/tidb/de
 
 ## さあ始めましょう {#get-started}
 
-このセクションでは、TiDBベクトル検索をLangChainと統合して意味検索を実行するための手順を段階的に説明します。
+このセクションでは、TiDBベクトル検索をLangChainと統合してセマンティック検索を実行するための手順を段階的に説明します。
 
 ### ステップ1. 新しいJupyter Notebookファイルを作成する {#step-1-create-a-new-jupyter-notebook-file}
 
@@ -465,7 +465,7 @@ TiDB Vector offers advanced, high-speed vector processing capabilities, enhancin
 
 このプロセスは主に2つのステップから構成されます。
 
-1. 空港レビュー全体を対象に意味検索を行い、希望する設備に一致する空港コードを特定します。
+1. 空港レビュー全体を対象にセマンティック検索を行い、希望する設備に一致する空港コードを特定します。
 2. SQLクエリを実行してこれらのコードをルート情報と統合し、ユーザーの好みに合致する航空会社と目的地を強調表示します。
 
 ### データの準備 {#prepare-data}

diff --git a/ai/quickstart-via-python.md b/ai/quickstart-via-python.md
@@ -13,7 +13,7 @@ aliases: ['/ja/tidb/stable/vector-search-get-started-using-python/','/ja/tidb/de
 - TiDB Python SDKを使用してTiDBに接続します。
 - 一般的な埋め込みモデルを使用してテキスト埋め込みを生成します。
 - ベクトルをTiDBテーブルに格納します。
-- ベクトル類似度を用いて意味検索を実行します。
+- ベクトル類似度を用いてセマンティック検索を実行します。
 
 > **Note:**
 >

diff --git a/ai/vector-search-get-started-using-python.md b/ai/vector-search-get-started-using-python.md
@@ -199,7 +199,7 @@ vector_store.insert(
 )
 ```
 
-### ステップ7．意味検索を実行する {#step-7-perform-semantic-search}
+### ステップ7．セマンティック検索を実行する {#step-7-perform-semantic-search}
 
 このステップでは、"a swimming animal"という単語を検索しますが、既存の文書にはこの単語と直接一致するものはありません。
 

diff --git a/releases/release-8.4.0.md b/releases/release-8.4.0.md
diff --git a/releases/release-8.5.0.md b/releases/release-8.5.0.md
-Original file line number
+Diff line change
@@ Expand Up / @@ -199,7 +199,7 @@ vector_store.insert( @@
     )
     ```
-    ### ステップ7．意味検索を実行する {#step-7-perform-semantic-search}
+    ### ステップ7．セマンティック検索を実行する {#step-7-perform-semantic-search}
     このステップでは、"a swimming animal"という単語を検索しますが、既存の文書にはこの単語と直接一致するものはありません。
@@ Expand Down @@