Google 开放 Genie4 世界模型 API,支持实时交互与原生音频生成
Google 于 11 月 19 日宣布在 Gemini API 和 Google AI Studio 中向付费开发者开放 Genie4 世界模型,模型标识为 models/genie-4。该模型可实时生成连续交互世界,输出立体声音频,并设定了会话时长和按令牌与流媒体计费的方案。
海宇数科 · 事件日期 · 约 2 分钟 · 0 次阅读

11月19日,Google 宣布,Gemini API 与 Google AI Studio 面向付费开发者开放 Genie4 世界模型,模型标识为 models/genie-4。这一动作发生在 Project Genie 面向 AI Ultra 订阅用户推出后的次日,意味着该实时世界模型首次可供第三方调用。按照公布信息,Genie4 由 DeepMind 出品,其使用不依赖订阅或演示形式。

Genie4 的视觉渲染基于 Gemini Omni,世界生成能力则来自 Gemini 推理。它支持以文本生成世界,也可参考图像生成世界,输出规格为 720p 分辨率、24fps 帧率,能够形成连续交互的世界。音频方面,该模型可输出立体声音频,涵盖环境音、音效与角色对话。
在交互方式上,用户可通过 WASD 或方向键移动,响应延迟约 0.5 秒;实时文本提示可调整天气、光照和事件,延迟约 1 至 2 秒。推理过程用于维持状态连贯。Google AI Studio 同时上线交互式画布与入门应用,以降低开发门槛,并在输出中嵌入 SynthID 水印。
该方案采用单会话临时令牌,以保障密钥安全。浏览器端通过 WebRTC 接入,服务端则依赖 WebSocket 完成流媒体传输。单次会话时长上限为120秒。基础设施覆盖美国、西欧和日本的数据中心。计费方面,输入为每百万令牌1.50美元,文本输出为每百万9美元,视频输出为每百万17.50美元;流媒体费用约为每秒0.10美元。
此次开放延续了 10 月研究预览后的商业化路径,将 Genie4 推向第三方应用生态。其用途包括交互式原型设计、空间可视化、机器人训练以及 AGI 智能体训练,在这些场景中提供低成本、高保真且安全的训练环境。
