Google در ۱۹ نوامبر ۲۰۲۶، یک روز پس از نخستین عرضه Genie 4، این مدل را از طریق Gemini API و Google AI Studio در اختیار توسعه‌دهندگان گذاشت. این مدل که در API با نام models/genie-4 شناخته می‌شود، به جای ویدیوی ثابت، جهان‌های تعاملی را همان لحظه تولید می‌کند و از راه Interactions API در کانال v1beta ارائه می‌شود.

بر پایه اعلام Google، توسعه‌دهنده می‌تواند با یک متن، یک تصویر مرجع یا هر دو شروع کند و مدل جهانی پیوسته با کیفیت ۷۲۰p و ۲۴ فریم در ثانیه همراه با صدای بومی هماهنگ می‌سازد. صدا از فضای آوایی و جلوه‌ها تا گفت‌وگوی شخصیت‌ها را دربر می‌گیرد. در طول جلسه، کاربر با کنترل‌های صفحه‌کلید در لحظه حرکت می‌کند و می‌تواند با دستورهای متنی زنده آب‌وهوا، نور، اشیا یا رویدادها را تغییر دهد. Google می‌گوید استدلال Gemini هنگام ورود این تغییرها وضعیت جهان را منسجم نگه می‌دارد.

فهرست تغییرات Gemini API جزئیات فنی بیشتری می‌دهد. خروجی ویدیوی ۱۶:۹ با صدای استریو ۴۸ کیلوهرتز است که با WebRTC و WebSockets پخش می‌شود و تصویر مرجع هم باید ۱۶:۹ باشد. جلسه را می‌توان با کلیدهای WASD یا جهت‌نماها و با رویدادهای متنی میانه جلسه هدایت کرد. این فهرست انتشار را دسترسی عمومی می‌نامد و می‌گوید فقط در سطح پولی عرضه می‌شود.

قیمت ۱٫۵۰ دلار برای هر یک میلیون توکن ورودی و ۹٫۰۰ دلار برای هر یک میلیون توکن خروجی متنی است. خروجی ویدیو ۱۷٫۵۰ دلار برای هر یک میلیون توکن است که Google آن را حدود ۰٫۱۰ دلار برای هر ثانیه جهان تولیدشده اعلام می‌کند و صدای استریو در آن گنجانده شده است. بنابراین یک جلسه تعاملی پیوسته بیشتر بر اساس مدت‌زمان هزینه می‌شود و برآورد هزینه‌اش با یک درخواست متنی معمولی تفاوت دارد.

Google سه کاربرد پیشنهاد می‌کند: ساخت نمونه اولیه تجربه‌های تعاملی، تجسم طرح‌های فضایی و آموزش ربات‌ها و عامل‌های هوش مصنوعی. Google AI Studio بوم تعاملی و برنامه‌های نمونه دارد تا پیش از نوشتن کد بتوان مدل را آزمود، و شرکت برای کسانی که می‌خواهند بسازند به صفحه قیمت و مستندات API ارجاع می‌دهد. هر خروجی نشان‌آب نامرئی SynthID دارد که Google آن را یادآوری رویکرد خود به اصالت‌سنجی محتوای تولیدشده مطرح کرده است.

این انتشار یک مدل جهان را از ویترین مصرف‌کننده به محصولی برای توسعه‌دهندگان با قیمت اعلام‌شده می‌رساند و تیم‌ها را قادر می‌کند هزینه محیط‌های شبیه‌سازی‌شده بلادرنگ را برای آزمایش عامل‌ها و ساخت نمونه اولیه برآورد کنند. در منابع بررسی‌شده، Google مقایسه عملکرد، میزان تأخیر یا سقف طول جلسه را منتشر نکرده است و کیفیت و هزینه واقعی در مقیاس بزرگ را کاربران نخست باید بسنجند.

منابع