AI

Genie 4とは?Gemini APIでリアルタイム世界生成を動かす実装手順と料金・制限【2026年11月】

Genie 4とは?Gemini APIでリアルタイム世界生成を動かす実装手順と料金・制限【2026年11月】

Genie 4(モデルID genie-4)は、テキストや1枚の画像から歩き回れる世界を生成し、キー操作に合わせて映像と音声をその場で作り続けるGoogleのモデルです。2026年11月19日にGemini APIで一般提供(GA)が始まり、開発者が自分のアプリに組み込めるようになりました。この記事では、Interactions APIでセッションを作ってから終了するまでの手順をcURLとPythonのコードで示し、操作イベントの書き方、1秒あたり約0.10ドルの料金、同時セッションの上限、公式が認める制約を整理します。Labs版のProject Genieとの違いと、業務で採用する場面・見送る場面の判断も扱います。

まとめ:Genie 4の要点と、APIで動かす前に確かめる料金・制限

Genie 4はGemini APIのv1betaのInteractions APIで動くリアルタイム世界生成モデルです。出力は1280×720・24fpsの16:9映像と48kHzのステレオ音声で、WebRTCかWebSocketでストリーミングされます。動かし方は「サーバーでインタラクションを作る → 接続する → world_setupで世界を作り、user_actionとinputで操作する → complete()で終える」の4段階です。

料金は有料プランのみで、映像出力が100万トークンあたり17.50ドル、実質1秒約0.10ドルです。1セッションは最長120秒なので、上限まで使うと1回あたり約12ドルになります。無料枠はなく、Tier 1の同時セッションは2本・1日50リクエストまでです。物体の位置は8秒以上目を離すと変わることがあり、関数呼び出しや構造化出力にも対応しません。

向いているのは、展示や企画段階のプロトタイプ、短い体験デモです。正確な再現性が要る業務シミュレーションや、長時間遊ばせるゲームには採用しません。

Genie 4のリアルタイム世界生成とInteractions APIでの接続方式

Google AI StudioのGemini APIの変更履歴(changelog)には、2026年11月19日付でgenie-4のGAが載っています。動画を生成し終えてから返す一般的な動画生成AIと違い、Genie 4は利用者がキーを押すたびにその先のフレームを生成します。Genie 4のモデルページによると、入力はテキストと16:9の参照画像1枚、操作入力はキーボードとカメラのuser_actionで、出力は同期した映像と音声のストリームです。

Labs版Project GenieのGenie 3とAPI版Genie 4の違い

同じ「Genie」でも、Google LabsのProject Genieは消費者向けの研究プロトタイプで、Google AI Ultra会員がブラウザで遊ぶサービスです。Labs版の使い方や日本での提供状況はProject Genieとは?使い方・料金・日本での提供状況とGenie 3の仕組みで、地図の場所を起点にする機能はProject Genieのストリートビュー連携で解説しています。

API版のGenie 4は、APIキーで呼び出して自社のWebアプリやバックエンドに組み込む開発者向けの提供形態です。料金はUltraの月額ではなくトークン従量課金で、セッション中のテキスト指示(天候を変える、扉を開けるなど)もAPIから送れます。Labs版で試した体験をそのまま自社サービスに載せたい場合は、こちらを使います。

Gemini Omni 1.2 Flash・Gemini 3.8 Liveとの用途比較

GoogleのGenie 4の実装ガイドは、似た名前のモデルとの使い分けを次のように示しています。

用途 推奨モデル API
操作できる世界の生成 Genie 4 Interactions API
3〜15秒の動画生成・編集 Gemini Omni 1.2 Flash Interactions API
音声対話・ツール呼び出し Gemini 3.8 Live Live API

決まった長さの動画を作るならOmni、マイクやカメラの入力を理解して応答させるならLiveで、Genie 4はどちらも代わりにはなりません。テキスト生成側の新モデルの選び方はGemini 4 Neonとは?HydrogenとCarbonとの違い・料金で扱っています。

Genie 4をcURLとPythonで動かす:インタラクション作成からセッション終了まで

前提として、有料プランのGemini APIキーを環境変数GEMINI_API_KEYに入れておきます。SDKはPythonならgoogle-genai、JavaScriptとTypeScriptなら@google/genaiの最新版を使います。

cURLでインタラクションを作成し、単一セッション用のトークンを発行する

最初にサーバー側でインタラクションを作り、そのIDに限定した一時トークンを発行します。ブラウザには長期のAPIキーを渡さず、IDとトークンだけを返すのが公式の手順です。

# 1. Genie 4 のインタラクションを作成する
INTERACTION_ID=$(curl -s -X POST \
  "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: ${GEMINI_API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"model": "genie-4"}' | jq -r '.id')

# 2. このインタラクションだけに使える一時トークンを発行する
AUTH_TOKEN=$(curl -s -X POST \
  "https://generativelanguage.googleapis.com/v1beta/interactions/${INTERACTION_ID}/auth_tokens" \
  -H "x-goog-api-key: ${GEMINI_API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{}' | jq -r '.auth_token')

発行されるトークンはauth_tokens/...の形式です。ブラウザ標準のWebSocketは独自ヘッダーを付けられないため、SDKにはこのトークンをapiKeyとして渡します。ブラウザでAIza...で始まる通常のAPIキーをWebSocket接続に使うと、SDKの仕様により意図的にエラーが返る仕組みです。GoからGemini APIのエンドポイントを呼ぶ基本はGoでGemini APIを呼び出す実装手順も参考になります。

Python SDKのworld_setup送信と初回フレーム・ステレオ音声の保存

次のコードは、公式ガイドのPython例を短くしたものです。世界を作り、最初のフレームをJPEGで保存したら前進キーを押し、約6秒(144フレーム)でcomplete()を呼んで課金を止めます。音声はWAVにまとめて書き出します。

import asyncio, base64, wave
from google import genai

PROMPT = ("First-person POV on a stone bridge in a quiet riverside village at dusk. "
          "Audio: water lapping against the steps, footsteps on cobblestone.")

async def main():
    client = genai.Client(http_options={"api_version": "v1beta"})  # GEMINI_API_KEY を使う
    interaction = await client.aio.interactions.create(model="genie-4", api_version="v1beta")
    pcm, frames = [], 0
    async with client.aio.interactions.connect(interaction.id, api_version="v1beta") as session:
        await session.send({"event_type": "world_setup", "world_prompt": {"text": PROMPT}})
        async for event in session.receive():
            if event.event_type == "step.delta":
                kind = getattr(event.delta, "type", None)
                if kind == "video" and event.delta.data:
                    frames += 1
                    if frames == 1:
                        open("start.jpg", "wb").write(base64.b64decode(event.delta.data))
                        await session.send({"event_type": "user_action", "action": "key_down", "input": "key_w"})
                    elif frames == 144:  # 24fps で約6秒
                        await session.send({"event_type": "user_action", "action": "key_up", "input": "key_w"})
                        await session.complete()  # サーバー側の生成と課金を止める
                elif kind == "audio" and event.delta.data:
                    pcm.append(base64.b64decode(event.delta.data))
            elif event.event_type == "interaction.completed":
                break
    with wave.open("world.wav", "wb") as w:  # 48kHz・16bit・ステレオ
        w.setnchannels(2); w.setsampwidth(2); w.setframerate(48000)
        w.writeframes(b"".join(pcm))

asyncio.run(main())

公式ガイドによると、world_setupを送ってから最初のフレームが届くまで約5〜9秒かかります。async withを抜けるだけでは接続が切れるだけで、サーバー側の生成は止まりません。終了処理にcomplete()を入れ忘れないことが、このコードでいちばん注意する点です。

ブラウザ向けはWebRTC、録画やバックエンド処理はWebSocketを選ぶ基準

項目 WebRTC WebSocket
向く用途 ブラウザのアプリ・ゲーム Python・Node.js・録画
映像の受け取り video要素で直接再生 base64のJPEGフレーム
遅延 最も小さい base64で約33%増
制御メッセージ上限 64KB 大きなJSONも可

WebRTCではSCTPデータチャネルの上限が65,536バイトのため、参照画像は1280×720か640×360に縮め、JPEGで48KB未満にしてからbase64にします。PNGのまま大きな画像を送りたい場合はWebSocketを使います。

世界を操作する3イベント:world_setup・user_action・input

接続後は、JSONのイベントをsend()で送って世界を動かします。world_setupはセッションの最初に1回だけ送り、参照画像を付ける場合はworld_promptの中ではなく同じ階層のreference_imageに入れます。

移動とカメラは8種類のキー入力、E・Qなどの独自キーはテキストに変換

Genie 4が学習済みの操作は、移動のkey_w・key_s・key_a・key_dと、視点のarrow_up・arrow_down・arrow_left・arrow_rightの8種類です。actionにはkey_down・key_up・key_clickを指定し、押している間はkey_upが届くまで動き続けます。OSのキーリピートは送らず、押した瞬間に1回だけkey_downを送ります。

スキーマ上はkey_eやspaceも受け付けますが、ジャンプや「調べる」といった動作は割り当てられていません。Eキーで扉を開ける、Qキーで雪を降らせるといった独自の操作は、クライアント側でキーを受け取り、説明文のinputイベントに変換して送ります。

テキスト指示は150ミリ秒間隔で10回送り、反映まで1〜2秒待つ

セッション中の天候の変化や物体の状態変化、登場人物のせりふは、次のようなinputイベントで指示します。せりふは引用符で囲みます。

{
  "event_type": "input",
  "content": [
    { "type": "text", "text": "Make heavy snow fall across the village" }
  ]
}

Genie 4は24fpsのうち4フレームを1ステップとして、ステップの境目でテキストを読み取ります。そのため公式ガイドは、短い指示を150ミリ秒間隔で10回(約1.5秒)送り、それまでの指示と相反する指示を出す前には約2秒の間隔をあける、というのが公式ガイドの推奨手順です。キー操作が約0.2〜0.5秒で画面に出るのに対し、テキストは約1〜2秒かかります。「空撮に切り替える」のようなカメラの切り替えは空間の連続性を崩すので、現在のカメラの視点を保ったまま、その視点の中で起きる変化を指示する書き方です。プロンプトの型はGenie 4のプロンプトと操作のガイドにまとまっています。

Genie 4の料金と同時セッション上限:1秒約0.10ドルの課金を止める実装

費用は使った秒数にほぼ比例します。設計の段階で、1回あたりの上限額と止め忘れの対策を決めておきます。

1フレーム240トークンで計算する1セッション最大約12ドルの内訳

Gemini APIの料金ページによると、2026年11月21日時点のGenie 4の単価は次のとおりです。

区分 100万トークンあたり
入力(テキスト・参照画像) 1.50ドル
出力(テキスト) 9.00ドル
出力(映像・音声込み) 17.50ドル

映像は1フレーム240トークン、24fpsで1秒5,760トークンとして課金され、音声はこの中に含まれます。1秒あたり約0.10ドル、1分で約6.05ドルです。上限の120秒まで使うと69万1,200トークンで約12.10ドルになり、ここに入力分が少し加わります。無料枠、Batch API、Flex推論、Priority推論はいずれも使えません。入力データが製品の改善に使われない扱いである点も、同じ料金表に記載されています。

Tier別の同時セッション数と、detachでは止まらない課金への対処

Gemini APIのレート制限のページは、Genie 4に次の上限を設けています。

利用ティア 同時セッション 1日のリクエスト
Free 対象外 対象外
Tier 1 2 50
Tier 2 5 250
Tier 3 10 1,000

セッション中のuser_actionとinputは、別のリクエスト数として数えられません。展示会のデモのように来場者が順番に遊ぶ使い方では、Tier 1だと2人までしか同時に体験できない点を先に確かめます。

課金で詰まりやすいのは終了処理です。session.detach()やブラウザのタブを閉じる操作は手元の接続を切るだけで、サーバー側では世界の生成が続いている状態です。セッションの再開もできないため、終了にはcomplete()か、即時に止めるcancel()を呼び出す必要があります。実装では、画面を離れる処理、一定時間操作がないときのタイマー、120秒に届く前の自動終了の3か所にcomplete()を置いておくと、セッションの止め忘れで料金が発生し続ける事態を防ぐ仕組みになります。

Genie 4の制約と、受託開発で採用する場面・見送る場面の判断

公式ガイドの「Limitations」には、設計で避けて通れない制約が並んでいます。

8秒で変わる物体、16:9固定、マイク入力なしなど公式が挙げる制約

  • 3Dのシーンを保持せず、直近の時間幅で生成する。8秒以上目を離したり360度回ったりすると、目印や扉が動くことがある。安定するのは最初の60〜90秒前後で、120秒が上限
  • 関数呼び出し、Google検索によるグラウンディング、構造化出力、完了したセッションの再開に対応しない。マイクやカメラの映像も入力できない
  • 出力は1280×720の16:9・24fps固定。縦長の9:16やフレームレートの変更はできない
  • 実在の人物、著名人、著作権のあるブランドを含むプロンプトや参照画像は、開始時にブロックされるか途中で配信が止まる
  • 看板や時計の文字は崩れやすく、物の個数もカメラを振るたびに変わる
  • 提供拠点は米国、西欧、日本。往復150ミリ秒未満で応答するのは北米、西欧・中欧、東アジア

日本から使う場合、提供拠点が国内にあるため遅延の面では不利になりにくい構成です。

展示・企画のプロトタイプには採用し、業務シミュレーションには使わない

結論から書くと、Genie 4を採用するのは「数十秒の体験そのものに価値がある」場面です。展示会やショールームで来場者が絵画や商品の中の空間を歩き回る演出、ゲームや空間設計の企画段階で雰囲気を確かめるための動く試作、広告キャンペーンの短い体験コンテンツが当てはまります。いずれも120秒の上限と1回約12ドルの費用を受け入れやすく、物の位置が少し変わっても目的を損ないません。

次の条件に当てはまるなら見送ります。同じ操作で同じ結果が出ることを前提にする訓練・検証用のシミュレーション、何分も遊び続けるゲーム本編、店舗や工場の配置を正確に再現したい用途、表示する文字や数を読ませる用途です。物体の位置が8秒で変わり得る仕組みでは、ここを工夫で埋めることはできません。この場合は3Dエンジンで作るか、決まった長さの映像ならGemini Omniを検討します。

Genie 4を組み込んだ体験型アプリやデモの開発を外部に任せたい場合は、生成AI開発・AI受託開発で、トークン発行のバックエンドや終了処理を含めた構成から相談できます。

よくある質問

Genie 4をAPIで試す前によく出る疑問をまとめました。

Genie 4は無料で使えますか?

使えません。2026年11月21日時点の料金ページとレート制限のページでは、Free tierは「対象外」です。有料プランのGemini APIキーが必要で、映像出力は100万トークンあたり17.50ドル、実質1秒約0.10ドルかかります。最長120秒のセッションを上限まで使うと1回約12ドルです。Google AI StudioのLiveの画面から試す場合も、有料プランのキーを前提に費用を見積もっておきます。

Genie 4は日本で使えますか?

Gemini APIの有料プランで使えます。実装ガイドによると、提供拠点は米国、西欧、日本のデータセンターで、東アジアは往復150ミリ秒未満の応答が見込める地域に含まれます。消費者向けのProject Genieは別のサービスで、Google AI Ultraへの加入が条件です。業務アカウントで組み込みたい場合はAPI版を選びます。

Genie 4とGenie 3の違いは何ですか?

開発者にとっての大きな違いは、APIで組み込めるかどうかです。Genie 3はLabsのProject Genieで使われ、公開APIはありませんでした。Genie 4はGemini APIのInteractions APIでGAになり、セッション中のテキスト指示、参照画像を起点にした生成、48kHzのステレオ音声の出力に対応します。1セッションの上限は120秒です。

Genie 4で作った世界を3Dデータとして書き出せますか?

書き出せません。Genie 4は3Dのシーンを持たず、フレームを順に生成する方式です。手元に残せるのは受け取ったJPEGのフレームと音声のPCMで、WebSocketで受け取れば動画として保存できます。メッシュやテクスチャが必要な用途は、3D生成のツールやゲームエンジンで作る必要があります。

Genie 4のセッションが終わらず課金が続くのを防ぐには?

終了時は必ずsession.complete()を呼びます。detach()やPythonのasync withを抜ける処理、タブを閉じる操作は接続を切るだけで、サーバー側の生成は止まりません。操作がない状態が続いたときのタイマーと、画面を離れるときの処理にもcomplete()かcancel()を置き、120秒に届く前に自分で終わらせる設計にします。

関連記事

お気に入りに入れた記事の一覧

一創の公式 SNS

X では毎朝の新着記事と IT ニュースの速報を、YouTube・TikTok・Instagram・LinkedIn・Facebook では記事の解説動画を配信しています。

この記事は以下の記事からリンクされています

資料請求

今日のトレンド記事 直近 24 時間で、いつもより多く読まれている記事

  1. 2026.11.09 テックブログ teket不正アクセス:ログインできない理由と再開見通し、入場・退会・偽メールの確認【11月16日時点】
  2. 2026.11.12 コラム 年末調整2026の変更点|基礎控除104万円・扶養62万円と給与システムの改修項目
  3. 2024.08.22 テックブログ Bokehとは?Pythonでの使い方と2軸グラフの作り方【3.10.1対応】
  4. 2026.08.04 テックブログ SCADAとは?スキャダの仕組みとPLC・DCS・MESとの役割分担を実装目線で解説
  5. 2026.11.22 コラム DPCとは?診断群分類別包括評価の計算式と出来高との違い、データ提出の実務

RELATED POSTS 関連記事

目次