โมเดลและแพลตฟอร์ม AI

Google เปิดให้เหล่านักพัฒนาที่ใช้ Gemini API สร้างโลกด้วย Genie 4

Jonas Reeve
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญGenie จำกัด 4 เซสชันไว้ที่ 120 วินาที…
ดูเพิ่มเติม
  • Genie จำกัด 4 เซสชันไว้ที่ 120 วินาที เนื่องจากโมเดลเรนเดอร์ผ่านหน้าต่างแบบเลื่อนโดยไม่มีฉาก 3D ที่คงอยู่
  • นักพัฒนาต้องเรียก complete() หรือ cancel() อย่างชัดเจน เนื่องจากการปิดแท็บเบราว์เซอร์ไม่หยุดการสร้างบนเซิร์ฟเวอร์หรือการเรียกเก็บเงิน
  • API นี้มุ่งเป้าไปที่การจำลองสั้นๆ ที่ควบคุมได้ มากกว่าโลกที่โฮสต์ไว้ซึ่งแอปพลิเคชันสามารถเก็บรักษาและกลับมาเยี่ยมชมได้ในแต่ละเซสชัน

เมื่อวันที่ 19 พฤศจิกายน 2026 Google เปิดให้ใช้งาน Genie 4 ผ่าน Gemini API และ Google AI Studio เพื่อให้นักพัฒนาเข้าถึงโลกแบบอินเทอร์แอกทีฟที่ตอบสนองต่อการควบคุมด้วยแป้นพิมพ์และพรอมป์ต์ข้อความแบบเรียลไทม์ โมเดลสร้างวิดีโอต่อเนื่องความละเอียด 720p ที่ 24 เฟรมต่อวินาที พร้อมเสียงในตัวที่ซิงโครไนซ์กัน

การเปิดตัวสำหรับนักพัฒนานี้ใช้ models/genie-4 บน v1beta Interactions API โลกสามารถเริ่มต้นจากข้อความ ภาพอ้างอิงภาพเดียว หรือทั้งสองอย่างได้ โดยใช้ปุ่ม WASD และปุ่มลูกศรควบคุมการเคลื่อนไหวและทิศทางกล้อง ขณะที่เหตุการณ์ข้อความใช้เปลี่ยนฉากหรือกำหนดบทสนทนาของตัวละคร เอกสารประกอบ API แยกการเรนเดอร์เฟรมที่ตอบสนองได้ทันทีนี้ออกจากการสร้างคลิปวิดีโอที่กำหนดไว้ล่วงหน้าแบบออฟไลน์

Google ระบุว่าการสร้างต้นแบบประสบการณ์อินเทอร์แอกทีฟ การแสดงภาพแนวคิดเชิงพื้นที่ และการฝึกหุ่นยนต์กับเอเจนต์ AI เป็นการใช้งานที่เป็นไปได้ พร้อมระบุว่าเอาต์พุตทุกชิ้นมีลายน้ำ SynthID ที่มองไม่เห็น

ประกาศ API นี้มีขึ้นหลังจาก อัปเดต Project Genie เมื่อวันที่ 18 พฤศจิกายน 2026 ซึ่งเปิดให้สมาชิก Google AI Ultra ที่มีสิทธิ์เข้าถึง Genie 4 เป็นครั้งแรก และเปิดให้สมาชิก Google AI Pro ลงชื่อเข้ารอได้ การเปิดตัวสำหรับสมาชิกครั้งนั้นเน้นการสร้างผ่านเบราว์เซอร์ เอเจนต์ Project Genie และแกลเลอรีชุมชน ส่วน API เพิ่มเซสชันสำหรับนักพัฒนา เอกสารประกอบ ราคาแบบชำระเงิน และโควตาการใช้งาน

เซสชันแบบชำระเงินและการเรียกเก็บเงิน

Genie 4 ต้องใช้คีย์ Gemini API ของแพ็กเกจแบบชำระเงิน และไม่มีให้ใช้งานในแพ็กเกจฟรี อัตราค่าบริการมาตรฐานอยู่ที่ 1.50 ดอลลาร์ต่อโทเค็นหนึ่งล้านรายการสำหรับข้อความหรือภาพอ้างอิงขาเข้า, 9 ดอลลาร์ต่อหนึ่งล้านรายการสำหรับข้อความขาออก และ 17.50 ดอลลาร์ต่อหนึ่งล้านรายการสำหรับวิดีโอขาออกซึ่งรวมเสียงสเตอริโอแล้ว เมื่อคำนวณจากโทเค็นวิดีโอขาออก 240 รายการต่อเฟรม หรือ 5,760 โทเค็นต่อวินาที อัตราค่าบริการที่ระบุจะอยู่ที่ประมาณ 0.10 ดอลลาร์ต่อวินาที และ 6.05 ดอลลาร์ต่อนาที ไม่รองรับ Batch API, Flex inference และ Priority inference

ในการสร้างเซสชัน นักพัฒนาจะสร้างอินเทอร์แอกชัน เชื่อมต่อผ่าน WebRTC หรือ WebSocket แล้วส่งเหตุการณ์หนึ่งรายการ world_setup ก่อนควบคุมด้วย user_action หรือเหตุการณ์ป้อนข้อความ แอปพลิเคชันบนเบราว์เซอร์สามารถใช้โทเค็นชั่วคราวที่จำกัดขอบเขตไว้สำหรับอินเทอร์แอกชันเดียว โดยเก็บคีย์ API ที่ใช้งานระยะยาวไว้ที่แบ็กเอนด์ แนะนำให้ใช้ WebRTC สำหรับแอปบนเบราว์เซอร์แบบอินเทอร์แอกทีฟ ส่วน WebSocket รองรับเวิร์กโฟลว์ของ Python และ Node.js การบันทึกเฟรม และไปป์ไลน์ที่กำหนดเอง

การเรียกใช้ complete() จะยุติการสร้างและการเรียกเก็บเงิน ขณะที่ cancel() จะยกเลิกการสร้างฝั่งเซิร์ฟเวอร์ ดังนั้นการปิดระบบอย่างชัดเจนจึงเป็นส่วนหนึ่งของการควบคุมค่าใช้จ่าย

ข้อจำกัดของเซสชันและเวลาแฝง

ใน เอกสารประกอบโมเดล และคู่มือการนำไปใช้งาน Google กำหนดให้เซสชันมีระยะเวลาไม่เกิน 120 วินาที โดยระบุว่าช่วง 45 ถึง 90 วินาทีแรกเป็นช่วงที่ความต่อเนื่องทางภาพและการคงอยู่ของวัตถุทำได้ดีที่สุด และเตือนว่าเสถียรภาพของภาพอาจลดลงหลังผ่านไป 60 ถึง 90 วินาที

คู่มืออธิบายว่าการสร้างดำเนินไปภายในกรอบเวลาที่เลื่อนไปเรื่อย ๆ โดยไม่มีฉาก 3 มิติถาวร การละสายตาจากวัตถุตั้งแต่ 8 วินาทีขึ้นไป หรือการหมุน 360 องศา อาจทำให้จุดสังเกต ประตู และปุ่มเคลื่อนตำแหน่งหรือรีเซ็ตได้ ดังนั้น ในการทดลองด้านหุ่นยนต์หรือเอเจนต์ จึงไม่อาจคาดหวังได้ว่าสภาพแวดล้อมที่สร้างขึ้นจะมีแผนที่ระยะยาวที่เสถียร

เอาต์พุตกำหนดอัตราส่วนภาพไว้ที่ 16:9 โดยไม่มีโหมดแนวตั้งหรืออัตราเฟรมที่ปรับได้ และให้บริการเซสชันจากศูนย์ข้อมูลในสหรัฐฯ เท่านั้น คู่มือการนำไปใช้งานของ Google ระบุว่า การตอบสนองทางภาพต่อการกดแป้นพิมพ์โดยตรงใช้เวลาประมาณ 0.2 ถึง 0.5 วินาทีเมื่อเครือข่ายมีเวลาแฝงต่ำ เทียบกับการเปลี่ยนแปลงข้อความระหว่างเซสชันที่ใช้เวลาราว 1 ถึง 2 วินาที เวลาแฝงของเครือข่ายแบบไปกลับที่สูงกว่า 150 มิลลิวินาทีทำให้การควบคุมด้วยแป้นพิมพ์ล่าช้าอย่างเห็นได้ชัด

Genie 4 ไม่รองรับสตรีมเสียงจากไมโครโฟนหรือภาพจากเว็บแคมแบบเรียลไทม์ นอกจากนี้ยังไม่มีการเรียกใช้ฟังก์ชัน การเชื่อมโยงข้อมูลกับ Google Search เอาต์พุตแบบมีโครงสร้าง หรือความสามารถในการกลับมาทำอินเทอร์แอกชันที่เสร็จสิ้นแล้วต่อ

โควตาการใช้งาน

ขีดจำกัดอัตราการใช้งานของ Genie 4 แตกต่างกันไปตามระดับการใช้งานของโปรเจ็กต์แบบชำระเงิน ดังนี้

ระดับการใช้งาน จำนวนเซสชันที่ใช้งานพร้อมกัน จำนวนคำขอต่อวัน
ระดับ 1 2 50
ระดับ 2 5 250
ระดับ 3 10 1,000

ข้อความควบคุมแบบเรียลไทม์ภายในเซสชันจะไม่ถูกนับรวมในโควตาคำขอแยกต่างหากต่อหนึ่งนาทีหรือต่อวัน

API ทำให้ Genie 4 เป็นสภาพแวดล้อมที่ตั้งโปรแกรมได้สำหรับการจำลองระยะสั้นที่ควบคุมได้ แทนที่จะเป็นโลกถาวรที่ให้บริการโฮสต์ ข้อจำกัดสำคัญคือความต่อเนื่อง: แอปพลิเคชันสามารถสร้างฉากที่ตอบสนองได้ตามต้องการ แต่การออกแบบในปัจจุบันยังไม่รองรับโลกที่แอปพลิเคชันจะเก็บไว้และกลับมาเยี่ยมชมได้หลังจบเซสชัน

Jonas Reeve เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, มุ่งเน้นที่ AI ด้านการรู้คิด, ปัญญาประดิษฐ์ทั่วไป (AGI), และพื้นฐานเชิงทฤษฎีของปัญญาเครื่องจักร งานของเขาศึกษาว่าการเรียนรู้, การให้เหตุผล, ความจำ, และการสรุปเชิงนามธรรมเกิดขึ้นอย่างไรในระบบชีวภาพและระบบเทียม, เชื่อมโยงสถาปัตยกรรม AI สมัยใหม่กับคำถามที่ยาวนานในวิทยาศาสตร์การรับรู้และปรัชญาจิตใจ.

ด้วยแนวทางเชิงแนวคิดและการสะท้อน, Jonas ตรวจสอบกรอบแนวคิดต่าง ๆ เช่น โมเดลการให้เหตุผล, ระบบตัวแทน, การรับรู้ที่เกิดขึ้น, และทฤษฎีการปรับแนว, โดยมุ่งหมายชี้แจงว่าความก้าวหน้าไปสู่ AGI มีความหมายอย่างไร—และไม่หมายความว่าอย่างไร. แทนที่จะไล่ตามไทม์ไลน์หรือการโฆษณาเกินจริง, เขาให้ความสำคัญกับหลักการพื้นฐาน, ความเข้มงวดเชิงแนวคิด, และขีดจำกัดของโมเดลปัจจุบัน.

บทความที่เขียนโดย Jonas Reeve ถูกสร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำ, ความชัดเจน, และการอภิปรายอย่างรับผิดชอบเกี่ยวกับแนวคิด AI ขั้นสูง.