Modely a platformy AI
Google zpřístupňuje vývojářům Gemini API generování světů pomocí Genie 4

Klíčové bodyRelace Genie 4 mají limit 120 sekund, protože model vykresluje v klouzavém okně bez…
Zobrazit více
- Relace Genie 4 mají limit 120 sekund, protože model vykresluje v klouzavém okně bez trvalé 3D scény.
- Vývojáři musí explicitně zavolat complete() nebo cancel(), protože zavření karty prohlížeče nezastaví generování na serveru ani účtování.
- API je určeno pro krátké řízené simulace, nikoli pro hostované světy, které by aplikace mohly uchovávat a znovu navštěvovat napříč relacemi.
Google zpřístupnil Genie 4 prostřednictvím Gemini API a Google AI Studio dne 19. listopadu 2026 a vývojářům tak umožnil přístup k interaktivním světům, které reagují na ovládání klávesnicí a textové pokyny zadávané v reálném čase. Model generuje nepřetržité video v rozlišení 720p při 24 snímcích za sekundu se synchronizovaným nativním zvukem.
Vydání pro vývojáře využívá models/genie-4 rozhraní v1beta Rozhraní Interactions API. Svět lze vytvořit na základě textu, jednoho referenčního obrázku nebo obojího; pohyb a orientaci kamery ovládají klávesy WASD a šipky, zatímco textové události mění scénu nebo zadávají dialogy postav. Dokumentace k API rozlišuje toto vykreslování snímků reagující na vstupy od offline generování předem připraveného videoklipu.
Google uvádí, že možné využití zahrnuje prototypování interaktivních zážitků, vizualizaci prostorových konceptů a trénování robotů a agentů umělé inteligence. Každý výstup je podle společnosti opatřen nepostřehnutelným vodoznakem SynthID.
Oznámení API navazuje na aktualizaci Project Genie z 18. listopadu 2026, která oprávněným předplatitelům Google AI Ultra jako prvním zpřístupnila Genie 4 a členům Google AI Pro umožnila zařadit se na čekací listinu. Vydání pro předplatitele kladlo důraz na tvorbu v prohlížeči, agenta Project Genie a komunitní galerii; API naproti tomu přidává vývojářské relace, dokumentaci, ceny pro placené tarify a limity využití.
Placené relace a účtování
Genie 4 vyžaduje klíč Gemini API pro placený tarif a v bezplatném tarifu není k dispozici. Běžná cena činí 1,50 USD za milion tokenů při zadání textu nebo referenčního obrázku, 9 USD za milion tokenů textového výstupu a 17,50 USD za milion tokenů video výstupu, včetně stereofonního zvuku. Při 240 tokenech video výstupu na snímek, tedy 5 760 tokenech za sekundu, odpovídají uvedené efektivní sazby přibližně 0,10 USD za sekundu a 6,05 USD za minutu. Batch API, Flex inference a Priority inference nejsou podporovány.
Při vytváření relace vývojáři založí interakci, připojí se přes WebRTC nebo WebSocket a odešlou jednu world_setup událost, než začnou prostředí ovládat pomocí user_action nebo textových vstupních událostí. Webové aplikace mohou používat dočasný token omezený na jednu interakci, takže dlouhodobě platný klíč API zůstává na backendu. Pro interaktivní webové aplikace se doporučuje WebRTC, zatímco WebSocket podporuje pracovní postupy v Pythonu a Node.js, zachytávání snímků a vlastní datové toky.
Zavření karty prohlížeče nebo odpojení místního přenosu nezastaví generování na serveru okamžitě. Zavoláním complete() se ukončí generování a účtování, zatímco cancel() se přeruší generování na straně serveru, takže explicitní ukončení relace je součástí kontroly nákladů.
Limity relací a latence
V dokumentaci modelu a příručce k implementaci Google omezuje délku relací na 120 sekund, označuje prvních 45 až 90 sekund za období s nejvyšší vizuální soudržností a stálostí objektů a upozorňuje, že vizuální stabilita se může po 60 až 90 sekundách zhoršit.
Příručka popisuje generování v průběžně se posouvajícím časovém okně bez trvalé 3D scény. Pokud se uživatel od objektu odvrátí na osm sekund či déle nebo se otočí o 360 stupňů, orientační body, dveře a tlačítka se mohou přesunout nebo resetovat. Vygenerované prostředí proto nelze při robotických experimentech ani experimentech s agenty považovat za stabilní dlouhodobou mapu.
Výstup má pevný poměr stran 16:9, bez režimu na výšku a možnosti nastavit snímkovou frekvenci; relace jsou navíc zpracovávány výhradně v datových centrech v USA. Podle příručky Google k implementaci trvá vizuální odezva na nativní akce z klávesnice při nízké latenci sítě přibližně 0,2 až 0,5 sekundy, zatímco změny zadané textem v průběhu relace se projeví zhruba za jednu až dvě sekundy. Při latenci sítě při obousměrném přenosu vyšší než 150 milisekund se ovládání klávesnicí znatelně zpožďuje.
Genie 4 nepřijímá živý zvukový přenos z mikrofonu ani obrazový přenos z webové kamery. Nepodporuje ani volání funkcí, napojení na Google Search, strukturované výstupy nebo obnovení již dokončené interakce.
Limity využití
Limity počtu požadavků Genie 4 se liší podle úrovně využití placeného projektu:
| Úroveň využití | Počet současně aktivních relací | Počet požadavků za den |
|---|---|---|
| Úroveň 1 | 2 | 50 |
| Úroveň 2 | 5 | 250 |
| Úroveň 3 | 10 | 1,000 |
Zprávy pro řízení v reálném čase během relace se nezapočítávají do samostatných limitů požadavků za minutu ani za den.
API mění Genie 4 v programovatelné prostředí pro krátké, řízené simulace, nikoli v trvalý svět provozovaný jako hostovaná služba. Hlavním omezením je kontinuita: aplikace mohou podle potřeby generovat scény reagující na vstupy, současné řešení jim však neumožňuje uchovat svět a vracet se do něj po skončení relací.












