谷歌 11 月 19 日把世界生成模型 Genie 4 接入了 Gemini API 里的 Interactions API,以及开发者工具 Google AI Studio。所谓世界生成模型,是一类根据文本、图片和实时操作,边走边生成可互动画面的系统。Interactions API 是 Gemini API 里用来建立会话、再保持实时双向连接的接口。开发者可以用文本、一张 16:9 的参考图,或两者一起作为起点,再在会话中用键盘和文字提示改天气、光线、物体或事件。官方文档写明,输出是固定的 1280×720、每秒 24 帧、16:9 画面,并带同步的 48 kHz 立体声。
付费档定价为:输入每百万 token 1.50 美元,适用于文本和参考图;文本输出 9.00 美元;视频输出 17.50 美元,音频计入视频 token,不另计费。计费按发出的视频输出 token 计算,每帧 240 个,按 24 帧折合每秒 5760 个。官方把按时长的有效价格写为约每秒 0.10 美元,约每分钟 6.05 美元。模型标识是 models/genie-4,也可以写成 genie-4。它只在付费档提供,没有免费档,也不支持批量接口、Flex 或 Priority 推理。文档要求结束会话时调用 complete();只关掉浏览器标签或断开本地连接,服务器端仍可能继续生成并计费。定价页还写明,付费档的调用内容不会用来改进谷歌的产品。
这些数字来自 19 日的官方博客、Gemini API 定价页和模型文档。发布说明把这次接入列为 Interactions API v1beta 上的正式开放。即便如此,18 日的产品博文和模型卡仍把 Genie 4 放在前沿研究里。现在还不能把它看作已经做完的消费级世界模拟器。
前一天,符合条件的 Ultra 用户已能在浏览器里改场景
11 月 18 日,Google DeepMind 和 Google Labs 先把新版 Project Genie 开放给符合条件的 Google AI Ultra 订阅用户。这是谷歌的一项浏览器实验,用来生成并进入可互动的世界。博客写道,用户第一次可以在产品里使用 Genie 4:探索途中直接输入新的提示,改天气、加入角色或改变正在发生的事情,并配上会随场景变化的原生音频。
Google AI Pro 用户不能直接使用,只能在同一页面登记等待名单。帮助文档补充,开放进度按供应情况逐步放开,没有公布时间表;尚未获得权限的 Pro 用户仍可在画廊里看已有体验的短预览。使用门槛还包括:须年满 18 岁,使用个人 Google 账号,并且处在 Google AI Ultra 已经开通的地区。帮助文档还写,每日用量上限会随套餐和需求变化;需求高时可能要排队。它同时说明,由于仍是早期研究原型,生成世界不必消耗 AI credits。
谷歌在 10 月 27 日公布了 Genie 4 的研究预览。当时只提供给有限的受信测试者,并说很快会进入 Project Genie 的 Ultra 订阅,以及 Gemini API 和 AI Studio 的早期合作方。18 日和 19 日的两次放量,就是把这条预告落到订阅产品和按量 API 上。
Genie 3 仍负责更长的探索和全景图启动
同一版 Project Genie 里,Genie 3 并没有被撤下。公司把 Genie 4 称作目前“最真实、互动性最强”的世界模型,并说它提供“最高保真”的画面、物理效果和原生音频。这些都是官方用语,不是已经有第三方复现的性能结论。
Genie 3 仍出现在模型选择器中,适合需要更长行程,或想用 360 度全景图做起点的情况。本次更新把 Genie 3 的单次生成时长从 60 秒扩到 3 分钟,也可以把多个世界接起来继续走;新增加了 360 度全景图作为起点,并同样支持在探索中用自然语言触发事件。这些能力写在 18 日的产品博文里,不能直接套到 19 日开放的 Genie 4 API 上。
开发者单次会话最长 120 秒,部分地区转向会更慢
API 文档给 Genie 4 划的边界更硬。单次会话最长 120 秒;视觉连贯和物体存留在前 45 到 90 秒最稳,超过 60 到 90 秒后画面稳定性可能下降。它不是在维护一套持久的三维场景,而是在滚动的时间窗口里生成帧。把视线从物体上移开超过 8 秒,或转身 360 度,地标、门或按钮都可能移位或重置。WASD 和方向键的视觉响应在网络往返时延较低时约 0.2 到 0.5 秒,中途输入的文本提示要经过世界规划,约 1 到 2 秒才会出现在画面上。输出比例固定为 16:9,不能改成竖屏,也不能改帧率。
文档把 Genie 4 和用于生成固定时长视频片段的 Gemini Omni 1.2 Flash 区分开。Genie 4 走实时双向连接,用 WASD 和方向键移动、转向,再用中途文本改场景;Omni 1.2 Flash 用于离线剪辑、多轮编辑和最高到 4K 的上采样。Genie 4 接受文本、一张 16:9 起始图,以及键盘和镜头操作,不接受现场麦克风或摄像头输入,也不支持函数调用、Google 搜索增强或跨会话恢复。
服务节点在美国、西欧和日本。官方称,在北美、欧洲西部和中部,以及东亚,往返时延有望低于 150 毫秒;在这些区域之外,转向操作的延迟会更高,帧率也可能下降。速率限制按用量档位计算:免费档不可用;付费一档可同时开 2 个会话、每天 50 次请求,二档是 5 个和 250 次,三档是 10 个和 1000 次。会话中的键盘操作和中途文本不另占每分钟或每天的请求配额。
产品里还加了 agent、画廊和 Gemini 建议花片
在 Project Genie 产品里,这次一并上线的还有 Project Genie agent 和社区画廊。博客的说法是,用户可以用自然语言描述想做的体验,由这个 agent 调度谷歌的多模态模型,先做出定下风格的初始画面,并配上符合氛围的背景音乐。探索过程中也可以引入 Gemini 模型:它观察屏幕上正在发生的事,给出下一步可点的建议花片,或在行程中自动触发世界内事件。
新画廊同时放了官方策划的世界和社区作品。博文举出的例子包括:把个人照片变成可走进去的空间的 “Living Memory”,用 360 度全景图铺开史前栖息地的 “Dino Field Guide”,以及由 Gemini 充当实时裁判的 “Rock Paper Scissors”。官方还展示了两个早期创作者合作项目:与创意技术作者 Will(BLVCKL!GHT)合作的哥特庄园解谜 “Villa Giallo”,以及与电影人 Anand Gandhi 合作、从蚂蚁视角走进蚁穴的 “The Life of Ants”。用户可以发布自己的世界,或在已有体验上改结构、配乐和规则后再混剪。这些是公司挑选的演示和合作项目,不能当成普通用户打开后就能稳定复现的质量水平。
公司承认的局限,目前还没有第三方系统评测
18 日的产品博文写得很明确:Genie 3 和 Genie 4 仍是前沿研究中的世界模型。公司正在处理的问题包括相机延迟、复杂的物理交互、实时音频精度,以及场景能否长期保持稳定。模型卡和 10 月的研究综述还补了几条:短会话里环境可以保持连贯,但视觉细节和物体存留仍会随时间漂移,尤其是在会话变长、多次复杂改写或到处走动之后;清晰文本、空间精度和长期一致性都还在研究中。API 文档另外写到,路牌、仪表和钟面会随时间变形,精确计数也会在镜头摇转中漂移。Project Genie 的帮助文档则列出了产品侧已知问题,例如角色有时会向后跑或失去控制、推流画质会因服务器负载下降、操作存在已知延迟、画面有时会越来越暗,以及生成的世界、角色和声音不一定贴近提示、参考图或真实物理。
安全方面,产品博文写,Project Genie 里生成的视频和音频都带有 SynthID 水印,所有模型输入和输出都会经过安全审查。19 日的 API 博文再次强调,每段输出都带不易察觉的 SynthID。API 文档还说,包含可识别真人、公众人物或受版权保护品牌的提示和参考图,可能在启动时被拦截,或在会话中途被切断。
截至本篇写作时,还没有看到对 Genie 4 生成质量、操作延迟或长程一致性的独立系统评测。眼下可以核对的,是官方公布的开放范围、功能清单、API 规格和定价,以及公司自己写下的限制。
