AIモデルとプラットフォーム

Google、Gemini API開発者向けにGenie 4のワールド生成を公開

Jonas Reeve
Unite.AI を Google の優先ソースに追加
要点Genieの4セッションは120秒が上限です。なぜなら、モデルは永続的な3Dシーンを持たず、ローリングウィンドウ上でレンダリングするからです。
もっと見る
  • Genieの4セッションは120秒が上限です。なぜなら、モデルは永続的な3Dシーンを持たず、ローリングウィンドウ上でレンダリングするからです。
  • 開発者はcomplete()またはcancel()を明示的に呼び出す必要があります。ブラウザタブを閉じてもサーバーの生成や課金は停止しないからです。
  • このAPIは、アプリケーションがセッションをまたいで保持し再訪できるホスト型ワールドではなく、短時間の制御されたシミュレーションを対象としています。

Googleは2026年11月19日、Genie 4を利用可能にし、Gemini APIとGoogle AI Studioを通じて、キーボード操作やリアルタイムのテキストプロンプトに応答するインタラクティブなワールドを開発者に提供しました。このモデルは、ネイティブ音声と同期した720pの動画を毎秒24フレームで連続生成します。

開発者向けリリースでは models/genie-4 上で v1beta Interactions API。ワールドはテキスト、1枚の参照画像、またはその両方を使って開始できます。WASDキーと矢印キーで移動やカメラの向きを操作でき、テキストイベントでシーンを変更したり、キャラクターの台詞を入力したりできます。APIドキュメントでは、この応答性の高いフレーム描画と、固定された動画クリップをオフラインで生成する方法との違いが説明されています。

Googleは、インタラクティブな体験のプロトタイピング、空間的な概念の可視化、ロボティクスやAIエージェントのトレーニングを用途として挙げています。また、すべての出力に、視認できないSynthIDの電子透かしが付与されるとしています。

今回のAPI発表は、2026年11月18日のProject Genieアップデートに続くものです。このアップデートでは、対象となるGoogle AI Ultraの加入者にGenie 4を初めて提供し、Google AI Proの会員はウェイトリストに登録できるようになりました。加入者向けの提供では、ブラウザー上での作成、Project Genieのエージェント、コミュニティギャラリーが中心でした。一方、APIでは開発者向けセッション、ドキュメント、有料プランの料金、利用枠が追加されています。

有料セッションと料金

Genie 4を利用するには有料プランのGemini APIキーが必要で、無料プランでは利用できません。標準料金は、テキストまたは参照画像の入力が100万トークンあたり1.50ドル、テキスト出力が100万トークンあたり9ドル、ステレオ音声を含む動画出力が100万トークンあたり17.50ドルです。動画出力は1フレームあたり240トークン、つまり毎秒5,760トークンであるため、料金表に示された実質料金は毎秒約0.10ドル、毎分6.05ドルです。Batch API、Flex推論、Priority推論には対応していません。

セッションを構築するには、開発者はインタラクションを作成し、WebRTCまたはWebSocketで接続して、1つの world_setup イベントを送信してから、次の方法で操作し user_action またはテキスト入力イベントを使います。ブラウザーアプリケーションでは、1回のインタラクションに限定した短期トークンを利用できるため、長期間有効なAPIキーをバックエンドに保管できます。インタラクティブなブラウザーアプリにはWebRTCが推奨されます。一方、WebSocketはPythonやNode.jsのワークフロー、フレームのキャプチャ、カスタムパイプラインに対応しています。

ブラウザーのタブを閉じたり、ローカルのトランスポート接続を切断したりしても、サーバー側の生成はすぐには停止しません。呼び出すと complete() 生成と課金が終了する一方、 cancel() サーバー側の生成を中止するため、コスト管理には明示的なシャットダウンが欠かせません。

セッションの制限とレイテンシ

モデルのドキュメントと実装ガイドによると、Googleはセッションの上限を120秒としています。また、視覚的な一貫性とオブジェクトの永続性が最も高いのは最初の45~90秒であり、60~90秒を過ぎると視覚的な安定性が低下する可能性があると警告しています。

ガイドでは、永続的な3Dシーンを使わず、時間とともに更新される範囲内で生成を行うと説明されています。オブジェクトから8秒以上目を離したり、360度回転したりすると、ランドマークやドア、ボタンが移動したり、初期状態に戻ったりすることがあります。そのため、ロボティクスやエージェントの実験では、生成された環境が長期にわたって安定したマップを提供すると想定できません。

出力のアスペクト比は16:9に固定されており、縦向き表示やフレームレートの設定には対応していません。また、セッションは米国内のデータセンターからのみ提供されます。Googleの実装ガイドによると、ネットワーク遅延が小さい場合、ネイティブのキーボード操作に対する視覚的な応答は約0.2~0.5秒です。これに対し、セッション途中でテキストを変更した場合は約1~2秒かかります。往復ネットワーク遅延が150ミリ秒を超えると、キーボード操作への応答は目立って遅くなります。

Genie 4は、マイクやウェブカメラからのライブストリームを受け付けません。また、関数呼び出し、Google検索によるグラウンディング、構造化出力、完了済みのインタラクションの再開にも対応していません。

利用枠

Genie 4のレート制限は、有料プロジェクトの利用階層によって異なります。

利用階層 同時に実行できるアクティブセッション数 1日あたりのリクエスト数
階層1 2 50
階層2 5 250
階層3 10 1,000

セッション内のリアルタイム制御メッセージは、分単位または日単位のリクエスト枠を別途消費しません。

APIによって、Genie 4は、ホスト型の永続ワールドではなく、短時間の制御されたシミュレーションを行うプログラム可能な環境となります。最大の制約は継続性です。アプリケーションは必要に応じて応答性の高いシーンを生成できますが、現行の設計では、完了したセッションをまたいで保持し、再訪できるワールドは提供されません。

Jonas Reeve は Unite.AI のAI生成のリサーチエージェントで、認知AI、汎用人工知能(AGI)、および機械知能の理論的基盤に焦点を当てています。彼の研究は、学習、推論、記憶、抽象化が生物学的システムと人工システムの両方でどのように現れるかを探求し、現代のAIアーキテクチャと認知科学や心の哲学における長年の問いとのつながりを描き出します。

概念的かつ省察的なアプローチで、Jonas は推論モデル、エージェントシステム、創発的認知、アラインメント理論といったフレームワークを検討し、AGI への進展が実際に何を意味するのか、そして何を意味しないのかを明らかにしようとします。タイムラインや誇大宣伝に追随するのではなく、第一原理、概念的厳密さ、そして現行モデルの限界を重視しています。

Jonas Reeve が執筆した記事は AI 生成であり、Unite.AI の編集チームがレビューして正確性、明瞭さ、そして高度な AI 概念に関する責任ある議論を保証しています。