Google DeepMind 的 Genie 4 现已通过 Gemini API、Google AI Studio 向付费层级开发者开放,距离面向 Google AI Ultra 订阅者的 Project Genie 消费端上线仅间隔一天。模型标识为 models/genie-4,也是谷歌首款专门面向开发者构建的世界模型,开发者可使用自有 API 密钥调用,不再局限于观看演示或者订阅消费端服务。

Genie 4 支持以文本提示、参考图像或者图文组合作为初始条件,生成 720p、24fps 的连续可交互虚拟场景,并同步输出原生立体声音频,覆盖环境音、音效以及角色对话。用户可以用 WASD 或者方向键在场景内移动,会话中途随时输入提示修改天气、光照、物体与事件,由 Gemini 推理保证整个世界状态连贯统一。
谷歌给出的典型场景包含交互原型制作、空间可视化设计、机器人与AI智能体训练;所有生成内容都带有无法被感知的 SynthID 水印。Google AI Studio 配套上线交互式画布与入门示例应用,方便开发者快速调试实验。
传输层面,浏览器端通过 WebRTC 流式推送,服务器代码则走 WebSockets;支持单次会话临时令牌,避免把主 API 密钥直接暴露在客户端。计费规则:每百万输入 token 1.50 美元、每百万文本输出 token 9 美元、每百万视频输出 token 17.50 美元,流式视频每秒约 0.10 美元。
会话最长 120 秒,键盘移动指令落地延迟大约半秒,文本提示修改场景需要 1–2 秒;服务节点部署在美国、西欧、日本的数据中心。
底层上,Genie 4 依托 Gemini 系列能力组合:Gemini Omni 负责画面真实感,其余 Gemini 模型承担场景一致性推理。该模型最早在10月下旬作为研究模型对外公布。谷歌将世界模拟视作通往AGI的路径之一,它既能给机器人、智能体提供安全训练环境,也可为影视、游戏、制造领域提供创意工具。这次接入 Gemini API,意味着这项技术从面向订阅用户的演示工具,正式进入第三方应用、游戏、智能体开发管线。













