pingcap · yahonda · Jul 22, 2026
diff --git a/ai/guides/vector-search-hybrid-search.md b/ai/guides/vector-search-hybrid-search.md
@@ -126,7 +126,7 @@ table.bulk_insert(
 
 ### ステップ5．ハイブリッド検索を実行する {#step-5-perform-a-hybrid-search}
 
-この例では、 [ジナ・リランカー](https://huggingface.co/jinaai/jina-reranker-m0)モデルを使用して検索結果を再ランク付けします。
+この例では、 [jina-reranker](https://huggingface.co/jinaai/jina-reranker-m0)モデルを使用して検索結果を再ランク付けします。
 
 ```python
 from pytidb.rerankers import Reranker

diff --git a/ai/integrations/vector-search-auto-embedding-huggingface.md b/ai/integrations/vector-search-auto-embedding-huggingface.md
@@ -23,7 +23,7 @@ aliases: ['/ja/tidbcloud/vector-search-auto-embedding-huggingface/']
 -   名前: `huggingface/intfloat/multilingual-e5-large`
 -   寸法: 1024
 -   距離指標：コサイン類似度、L2
--   価格：ハギングフェイスによる課金
+-   価格：Hugging Faceによる課金
 -   TiDB Cloudでホストされています: ❌
 -   鍵をご持参ください：✅
 -   プロジェクトホームページ： [https://huggingface.co/intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large)
@@ -109,7 +109,7 @@ LIMIT 2;
 -   名前: `huggingface/sentence-transformers/all-MiniLM-L6-v2`
 -   寸法: 384
 -   距離指標：コサイン類似度、L2
--   価格：ハギングフェイスによる課金
+-   価格：Hugging Faceによる課金
 -   TiDB Cloudでホストされています: ❌
 -   鍵をご持参ください：✅
 -   プロジェクトホームページ： [https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2)
@@ -153,7 +153,7 @@ LIMIT 2;
 -   名前: `huggingface/sentence-transformers/all-mpnet-base-v2`
 -   寸法: 768
 -   距離指標：コサイン類似度、L2
--   価格：ハギングフェイスによる課金
+-   価格：Hugging Faceによる課金
 -   TiDB Cloudでホストされています: ❌
 -   鍵をご持参ください：✅
 -   プロジェクトホームページ： [https://huggingface.co/sentence-transformers/all-mpnet-base-v2](https://huggingface.co/sentence-transformers/all-mpnet-base-v2)
@@ -200,7 +200,7 @@ LIMIT 2;
 -   寸法: 1024
 -   距離指標：コサイン類似度、L2
 -   入力可能なテキストトークンの最大数：512
--   価格：ハギングフェイスによる課金
+-   価格：Hugging Faceによる課金
 -   TiDB Cloudでホストされています: ❌
 -   鍵をご持参ください：✅
 -   プロジェクトホームページ： [https://huggingface.co/Qwen/Qwen3-Embedding-0.6B](https://huggingface.co/Qwen/Qwen3-Embedding-0.6B)
@@ -271,7 +271,7 @@ tidb_client.configure_embedding_provider(
 
 ### ステップ3：ベクトルテーブルを作成する {#step-3-create-a-vector-table}
 
-ハギングフェイスモデルを使用して埋め込みを生成するベクトルフィールドを持つテーブルを作成します。
+Hugging Faceモデルを使用して埋め込みを生成するベクトルフィールドを持つテーブルを作成します。
 
 ```python
 from pytidb.schema import TableModel, Field

diff --git a/ai/integrations/vector-search-auto-embedding-overview.md b/ai/integrations/vector-search-auto-embedding-overview.md
@@ -111,10 +111,10 @@ TiDB Cloudは様々な埋め込みモデルをサポートしています。ニ
 | 埋め込みモデル  | 文書                                                                                 | TiDB Cloud <sup>1</sup>がホストしています | BYOK <sup>2</sup> |
 | -------- | ---------------------------------------------------------------------------------- | -------------------------------- | ----------------- |
 | Amazon Titan | [Amazon Titan 埋め込み](/ai/integrations/vector-search-auto-embedding-amazon-titan.md) | ✅                                |                   |
-| 調和する     | [Cohere埋め込み](/ai/integrations/vector-search-auto-embedding-cohere.md)              | ✅                                | ✅                 |
-| ジナAI     | [Jina AI埋め込み](/ai/integrations/vector-search-auto-embedding-jina-ai.md)            |                                  | ✅                 |
+| Cohere       | [Cohere埋め込み](/ai/integrations/vector-search-auto-embedding-cohere.md)              | ✅                                | ✅                 |
+| Jina AI    | [Jina AI埋め込み](/ai/integrations/vector-search-auto-embedding-jina-ai.md)            |                                  | ✅                 |
 | OpenAI   | [OpenAI埋め込み](/ai/integrations/vector-search-auto-embedding-openai.md)              |                                  | ✅                 |
-| 双子座      | [ジェミニ埋め込み](/ai/integrations/vector-search-auto-embedding-gemini.md)                |                                  | ✅                 |
+| Gemini      | [Gemini埋め込み](/ai/integrations/vector-search-auto-embedding-gemini.md)                |                                  | ✅                 |
 
 TiDB Cloudがサポートする以下の推論サービスを通じて、オープンソースの埋め込みモデルを使用することもできます。
 

diff --git a/ai/integrations/vector-search-integrate-with-amazon-bedrock.md b/ai/integrations/vector-search-integrate-with-amazon-bedrock.md
@@ -44,7 +44,7 @@ aliases: ['/ja/tidbcloud/vector-search-integrate-with-amazon-bedrock/']
 -   [Amazon Bedrockに必要な権限](https://docs.aws.amazon.com/bedrock/latest/userguide/security_iam_id-based-policy-examples.html)AWS アカウントと次のモデルへのアクセス:
 
     -   **Amazon Titan Embeddings** ( `amazon.titan-embed-text-v2:0` ) は、テキスト埋め込みを生成するために使用されます。
-    -   テキスト生成に使用される**メタラマ3** （ `us.meta.llama3-2-3b-instruct-v1:0` ）
+    -   テキスト生成に使用される**Meta Llama 3** （ `us.meta.llama3-2-3b-instruct-v1:0` ）
 
     アクセス権がない場合は、 [Amazon Bedrock基盤モデルへのアクセスをリクエストする](https://docs.aws.amazon.com/bedrock/latest/userguide/getting-started.html#getting-started-model-access)手順に従ってください。
 

diff --git a/ai/integrations/vector-search-integrate-with-jinaai-embedding.md b/ai/integrations/vector-search-integrate-with-jinaai-embedding.md
@@ -6,7 +6,7 @@ aliases: ['/ja/tidb/stable/vector-search-integrate-with-jinaai-embedding/','/ja/
 
 # TiDBベクトル検索をJina AI埋め込みAPIと統合する {#integrate-tidb-vector-search-with-jina-ai-embeddings-api}
 
-このチュートリアルでは[ジナAI](https://jina.ai/)を使用してテキスト埋め込みを生成し、TiDBに保存し、埋め込みに基づいて類似のテキストを検索する方法を順を追って説明します。
+このチュートリアルでは[Jina AI](https://jina.ai/)を使用してテキスト埋め込みを生成し、TiDBに保存し、埋め込みに基づいて類似のテキストを検索する方法を順を追って説明します。
 
 > **Note:**
 >

diff --git a/ai/quickstart-via-python.md b/ai/quickstart-via-python.md
@@ -127,7 +127,7 @@ text_embed = EmbeddingFunction(
 </div>
 <div label="Jina AI">
 
-埋め込み用のAPIキーを作成するには、[ジナAI](https://jina.ai/embeddings/)にアクセスしてください。
+埋め込み用のAPIキーを作成するには、[Jina AI](https://jina.ai/embeddings/)にアクセスしてください。
 
 ```python
 from pytidb.embeddings import EmbeddingFunction

diff --git a/develop/dev-guide-unique-serial-number-generation.md b/develop/dev-guide-unique-serial-number-generation.md
@@ -20,7 +20,7 @@ aliases: ['/ja/tidb/stable/dev-guide-unique-serial-number-generation/','/ja/tidb
 
 シーケンスはTiDB v4.0以降で利用可能です。詳細は[シーケンスドキュメント](/sql-statements/sql-statement-create-sequence.md#create-sequence)を参照してください。
 
-## スノーフレークのようなソリューション {#snowflake-like-solutions}
+## Snowflake のようなソリューション {#snowflake-like-solutions}
 
 Snowflakeは、Twitterが提案する分散ID生成ソリューションです。実装は複数ありますが、特に有名なのはBaiduの**uid-generator**とMeituanの**leaf**です。このセクションでは`uid-generator`例として使用します。
 

diff --git a/tidb-cloud/releases/release-notes-2025.md b/tidb-cloud/releases/release-notes-2025.md
@@ -81,7 +81,7 @@ summary: 2025 年のTiDB Cloudのリリース ノートについて説明しま
             -   **Python** : Django、mysqlclient、MySQL Connector/Python、peewee、PyMySQL、SQLAlchemy
             -   **Node.js** : mysql.js、Next.js、node-mysql2、Prisma、Sequelize、TypeORM
             -   **Ruby** : mysql2、Rails
-        -   検出可能性を向上させるために、統合エントリ[Vercel](/tidb-cloud/integrate-tidbcloud-with-vercel.md)と[AWS ベッドロック](/ai/integrations/vector-search-integrate-with-amazon-bedrock.md)クラスター レベルに移動します。
+        -   検出可能性を向上させるために、統合エントリ[Vercel](/tidb-cloud/integrate-tidbcloud-with-vercel.md)と[AWS Bedrock](/ai/integrations/vector-search-integrate-with-amazon-bedrock.md)クラスター レベルに移動します。
         -   新しい統合をリクエストするための**「統合の提案」**を追加します。
 
 **APIの変更**

diff --git a/troubleshoot-tidb-cluster.md b/troubleshoot-tidb-cluster.md
@@ -42,7 +42,7 @@ summary: TiDB を使用する際に問題を診断して解決する方法を学
 
     [TiDB の構成とオプション](/command-line-flags-for-tidb-configuration.md)参照してください。
 
--   港は占領されています。
+-   ポートが使用中です。
 
     `lsof -i:port`コマンドを使用して、特定のポートに関連するすべてのネットワークを表示し、 `tidb-server`開始するポートが使用されていないことを確認します。
 
@@ -83,7 +83,7 @@ summary: TiDB を使用する際に問題を診断して解決する方法を学
 
     [PD構成とオプション](/command-line-flags-for-pd-configuration.md)参照してください。
 
--   港は占領されています。
+-   ポートが使用中です。
 
     `lsof -i:port`コマンドを使用して、特定のポートに関連するすべてのネットワークを表示し、 `pd-server`開始するポートが使用されていないことを確認します。