发生了什么
11 月 19 日,谷歌把世界模型 Genie 4 开放到 Gemini API:模型标识 genie-4,走 Interactions API 的 v1beta 版本,Google AI Studio 同步可用。此前一天,消费端 Project Genie 已向 Google AI Ultra 订阅用户开放。与聊天模型不同,它输出的是一个持续运行、可被实时操控的 720p 世界。
规格:720p、24fps、原生立体声
官方文档给出的固定参数是 1280×720、24fps、16:9,音频为 48kHz 立体声(WebSocket 走 16-bit PCM,WebRTC 走 Opus)。世界可由一句文本、一张 16:9 参考图或两者共同建立;会话中按 W、A、S、D 移动,方向键转镜头,也可以随时用文本改天气、光照、物体与事件,状态由 Gemini 推理维持。所有输出嵌入 SynthID 水印。按键到画面的响应为 0.2—0.5 秒,文本改动约 1—2 秒。
计费:按秒烧钱,关掉标签页不停表
- 输入(文本或一张参考图)1.50 美元/百万 token,文本输出 9 美元/百万 token;
- 视频输出 17.50 美元/百万 token,音频包含在该费率内;
- 视频按每帧 240 token 计,24fps 即每秒 5760 token,折合约 0.10 美元/秒、6.05 美元/分钟;
- 单会话上限 120 秒,跑满约 12.10 美元,画面连贯性最佳区间为 45—90 秒;
- 无免费层,不支持 Batch、Flex、Priority 与上下文缓存,也不支持函数调用与搜索接地;
- 必须显式调用 complete() 或 cancel() 才停止生成与计费。
边界与不确定性
目前只有 16:9 一种画幅、一种分辨率,没有持久化 3D 资产,会话结束无法恢复;官方建议在往返延迟 150 毫秒以内使用,服务区限于美国、西欧与日本。谷歌没有为这次 API 开放单独发布博客,上述参数来自 Gemini API 的定价页与变更日志,以及多家媒体的逐项核对,接入前仍应以控制台实际报价为准。

