生成AIツール

Genie 4がGemini APIで公開、操作できる720pの世界を1秒約0.10ドルで

Googleは11月19日、キーボードで歩き回れる世界を生成するGenie 4をGemini APIとAI Studioで公開しました。720p・24fps・音声付きで、目安は1秒約0.10ドル、1回最長120秒。有料枠のみで、日本のデータセンターからも配信されます。

Googleは2026年11月19日(米国時間)、文章や画像から「操作できる世界」をリアルタイムに生成するワールドモデル「Genie 4」を、Gemini APIとGoogle AI Studioで使えるようにしました。映像は720p・24fpsで、環境音や台詞などの音声も同時に生成され、料金はドキュメント上の目安で1秒あたり約0.10ドルです。ゲームの企画、空間デザインの下見、ロボットやAIエージェントの訓練環境づくりを試したい開発者やクリエイターが、自分のアプリに組み込める段階に入りました。

Genie 4は何をするモデルか

ワールドモデルとは、動画を一方的に出力するのではなく、利用者の操作に応じて次の場面をその都度生成し続けるモデルです。Genie 4では、テキストか参考画像(またはその両方)で世界の初期設定を渡すと、WASDキーや矢印キーで歩き回れる映像が流れ始めます。途中で「雨を降らせて」「人物を一人追加」のように文章を送れば、天候や照明、物体、出来事をその場で変えられます。

Googleは、Geminiの推論が世界の状態の一貫性を保つと説明しています(原文: "Gemini reasoning keeps the world state consistent and coherent throughout."、Geminiの推論が世界の状態を最後まで一貫したものに保つ)。

研究プレビューから約3週間でAPIへ

Genie 4は10月27日にGoogle DeepMindが研究プレビューとして発表し、当初は限られたテスターだけが触れる状態でした。11月18日には一般向け体験「Project Genie」でGoogle AI Ultraの対象契約者に開放され、翌19日にAPIが続きました。Proの契約者は順番待ちリストへの登録にとどまります。

動画生成モデルとの違いは「止まらずに反応すること」です。Googleは同じ週に、旧モデルGenie 3の1回あたりの生成時間を60秒から3分に延ばし、360度パノラマ画像から世界を作る機能も加えました。ワールドモデルを動画生成とは別の製品群として育てる姿勢がうかがえます。

Genie 4公開までの流れ
出典: Google DeepMind、Google公式ブログ(2026年10月27日〜11月19日)

APIの仕様と料金

ドキュメントによると、モデルIDはgenie-4で、Interactions APIから使います。主な仕様は次のとおりです。

  • 解像度は1280×720(16:9)、24fps固定。縦長(9:16)には非対応
  • 音声は48kHz・16ビットのステレオ
  • 入力はテキスト、16:9の参考画像1枚、キーボードとカメラ操作。マイクやWebカメラの入力は不可
  • 1回の上限は120秒。60〜90秒を過ぎると映像の安定性が落ちることがある
  • 無料枠はなく、有料枠のAPIキーが必要

課金は1フレームあたり240トークン(1秒あたり5,760トークン)で、音声込みで1秒約0.10ドルが目安です。上限の120秒を使い切ると約12ドル、1ドル150円換算で約1,800円になります。生成を止めるにはcomplete()かcancel()を呼ぶ必要があり、接続を切り離すだけのdetach()では課金が続く点は、実装時の落とし穴になりそうです。

Genie 4 APIの料金の目安

日本の読者にとって

配信は米国、西ヨーロッパ、日本のデータセンターから行われ、往復150ミリ秒未満の低遅延が見込める地域に東アジアが含まれています。キー操作のたびに映像が反応するモデルなので、国内から試す場合の遅延は比較的小さいと考えられます。一方、Project Genieの提供国や日本語プロンプトの扱いは、発表では明記されていません。

使いどころとしては、ゲームのコンセプト検証、店舗や住空間のイメージの下見、映像制作の簡易プリビズ(撮影前の動きの確認)が現実的です。ただし、ドキュメント自体が弱点を具体的に挙げています。8秒以上視界から外れた物体は形が変わったり消えたりすることがあり、看板の文字や時計、物の個数は崩れやすく、移動キーへの反応に0.2〜0.5秒、文章の指示には1〜2秒かかります。実在の人物や著名人、ブランドの知的財産を含む指示や画像は、ブロックされるか配信が打ち切られることがあります。出力にはすべて電子透かしSynthIDが埋め込まれます。

決まった映像を作るなら、今月紹介したGemini Omni 1.2 Flashのような動画生成モデルのほうが向いています。Genie 4は「見る人が操作する」体験を作りたいときの選択肢です。

次に何をすればいいか

  • AI Studioのスターターアプリで、テキストだけの指定と参考画像付きの指定を比べ、60秒前後で崩れ始める様子を確かめる
  • 組み込むなら、APIキーはサーバー側に置き、ブラウザにはセッション単位のトークンだけを渡す構成にする(ドキュメントのサンプルもこの形)
  • 試験中の請求事故を防ぐため、離脱時に必ずcomplete()かcancel()を呼ぶ処理と、プロジェクトの予算アラートを先に用意する

出典

関連記事

生成AIツールの記事 →