11月19日,谷歌宣布通过 Gemini API 与 Google AI Studio 向付费开发者开放其最新世界模型 Genie4,模型标识为 models/genie-4。此前一天,该模型已通过 Project Genie 面向 Google AI Ultra 订阅用户推出。
谷歌称,这是 Google DeepMind 首个可供第三方开发者直接调用的实时世界模型,摆脱了对消费者订阅或演示环境的依赖。
从订阅走向 API
此前,这类世界模拟能力多停留在研究预览或面向消费者的订阅产品中,开发者难以在自有应用中直接调用。
这一变化意味着 Genie4 不再依赖消费者订阅或演示环境,而是进入按调用量计费的开发者服务体系。来源同时提到,该模型是 Google DeepMind 10 月研究预览的商业化延续。
生成能力与交互方式
在生成能力上,Genie4 可依据文本或参考图像生成 720p、24fps 的连续高清交互世界,并同步输出原生立体声音频,涵盖环境音、音效及角色对话。
交互层面,用户可通过 WASD 或方向键在场景中实时移动,响应延迟约 0.5 秒;借助实时文本提示,还能动态调整天气、光照与事件,这类调整的延迟约 1 至 2 秒。系统利用推理机制维持世界状态的连贯性,使场景在持续交互中保持一致。
为降低开发门槛,Google AI Studio 同步上线了交互式画布与入门应用。所有生成内容均嵌入不易察觉的 SynthID 水印。
技术架构与计费
架构方面,Genie4 依托 Gemini Omni 的视觉渲染与 Gemini 系列的推理能力构建。接入采用单会话临时令牌保障密钥安全,浏览器端与服务端分别基于 WebRTC 和 WebSocket 进行流媒体传输,单次会话上限为 120 秒,服务覆盖美国、西欧及日本数据中心。
计费标准为每百万输入令牌 1.50 美元、文本输出 9 美元、视频输出 17.50 美元,综合流媒体成本约合每秒 0.10 美元。这一定价结构将文本、视频与流式传输分开计算,开发者需按实际调用组合评估成本。
应用场景与定位
谷歌将 Genie4 的定位指向第三方应用生态。来源提到,它可为交互式原型设计与空间可视化提供新工具,也为机器人及通用人工智能(AGI)智能体提供低成本、高保真的安全训练环境。
从研究预览到 API 开放,Genie4 把世界模拟能力从内部研究推向外部开发者。其实际价值仍取决于开发者如何在 120 秒会话上限与按令牌计费的框架内组织应用,而实时交互与原生音频是这一模型区别于纯视频生成工具的主要特征。
要点
- Genie4 支持生成 720p、24fps 的连续交互世界
- 同步输出环境音、音效及角色对话的原生立体声音频
- 场景内移动响应延迟约 0.5 秒,实时提示调整延迟约 1 至 2 秒
- 单次会话上限 120 秒,服务覆盖美国、西欧及日本数据中心
- API 综合流媒体成本约合每秒 0.10 美元

正在读取登录状态…
暂无讨论,说说你的看法吧