پرش به محتوای اصلی
پرش به محتوای مقاله

جینی ۴ در API جمینای با قیمت ۱۰ سنت بر ثانیه منتشر شد

·۲۸ آبان ۱۴۰۵۴ دقیقه مطالعه
لوگوهای Genie ۴ و Gemini API روی پس‌زمینه تیره
لوگوهای Genie ۴ و Gemini API روی پس‌زمینه تیره
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

نخستین API عمومی برای تولید ویدیو تعاملی ۷۲۰پی در ۲۴ فریم بر ثانیه با قیمت‌گذاری بر ثانیه (حدود ۱۰ سنت) و کنترل کیبورد/متنی زمان واقعی — پیش از این فقط در حالت آزمایشی مرورگر برای مشترکین الترا در دسترس بود.

گوگل در ۱۹ نوامبر ۲۰۲۶ مدل جینی ۴ را در API جمینای و استودیو هوش مصنوعی منتشر کرد. این API ویدیو تعاملی ۷۲۰پی با صدا استریو را به حدود ۱۰ سنت بر ثانیه به توسعه‌دهندگان می‌فروشد.

مشخصات فنی جینی ۴ API

  • نقطه پایانی: models/genie-4 روی Interactions API نسخه v1beta
  • ورودی‌ها: پرامپت متنی، تصویر مرجع تکی، یا ترکیب هر دو
  • کنترل: کلیدهای WASD و فلش برای حرکت و دوربین؛ رویدادهای متنی برای ویرایش صحنه و دیالوگ
  • خروجی: نسبت ۱۶:۹ ثابت، ۷۲۰پی در ۲۴ فریم بر ثانیه با صدا استریو
  • قیمت‌گذاری: ۱.۵۰ دلار بر میلیون توکن ورودی (متن/تصویر)، ۹ دلار بر میلیون توکن خروجی متنی، ۱۷.۵۰ دلار بر میلیون توکن خروجی ویدیو (حدود ۲۴۰ توکن در فریم)
  • نرخ موثر: حدود ۱۰ سنت بر ثانیه، حدود ۶.۰۵ دلار بر دقیقه ویدیو
  • سقف سشن: حداکثر ۱۲۰ ثانیه؛ اوج انسجام بصری بین ۴۵ تا ۹۰ ثانیه
  • تأخیر: ۰.۲ تا ۰.۵ ثانیه برای اقدامات کیبورد در تأخیر شبکه پایین؛ ۱ تا ۲ ثانیه برای تغییرات متنی در میان سشن
  • زیرساخت: فقط مراکز داده آمریکا؛ WebRTC برای مرورگرها توصیه شده، WebSocket برای پایتون/نود
  • بدون حالت پورتریه، نرخ فریم قابل تنظیم نیست

چرخه حیات سشن و کنترل هزینه

  • ایجاد سشن: توسعه‌دهنده یک تعامل می‌سازد، از طریق WebRTC یا WebSocket متصل می‌شود، یک رویداد world_setup می‌فرستد، سپس با user_action یا ورودی متنی هدایت می‌کند.
  • برنامه‌های مرورگر می‌توانند از ephemeral token محدود به یک تعامل استفاده کنند و کلید API طولانی‌مدت را در بک‌اند نگه دارند.
  • WebRTC برای برنامه‌های تعاملی مرورگر مناسب است؛ WebSocket جریان‌های کار پایتون/نود، ضبط فریم و خط لوله‌های سفارشی را پشتیبانی می‌کند.
  • بستن تب یا جدا کردن ترانسپورت محلی، تولید سمت سرور را متوقف نمی‌کند.
  • complete() تولید و بیلینگ را تمام می‌کند؛ cancel() تولید سمت سرور را بلافاصله لغو می‌کند — خاموش کردن صریح برای کنترل هزینه الزامی است.
  • Batch API، Flex inference و Priority inference پشتیبانی نمی‌شوند.

محدودیت‌های فنی و انسجام بصری

گوگل هشدار می‌دهد که ثبات بصری پس از ۶۰ تا ۹۰ ثانیه افت می‌کند، زیرا تولید روی یک rolling temporal window بدون صحنه سه‌بعدی پایدار اجرا می‌شود. دور نگاه کردن از یک شیء برای هشت ثانیه یا چرخش ۳۶۰ درجه می‌تواند معالم، درها و دکمه‌ها را بازنشانی کند. سیستم فاقد فراخوانی تابع، مبنی‌سازی جستجو، خروجی‌های ساختاریافته، ورودی میکروفون/وب‌کم زنده و قابلیت از سرگیری تعامل تکمیل‌شده است. هر خروجی نشان‌گذاری ناگهانی SynthID می‌برد.

سهمیه‌ها و لایه‌های استفاده

لایه سشن‌های همزمان درخواست در روز
۱ ۲ ۵۰
۲ ۵ ۲۵۰
۳ ۱۰ ۱٬۰۰۰
پیام‌های کنترل زمان واقعی در یک سشن سهمیه جداگانه بر دقیقه یا بر روز مصرف نمی‌کنند.

موارد استفاده و نکات برای توسعه‌دهندگان

  • موارد لیست‌شده: نمونه‌سازی تجربیات تعاملی، بصری‌سازی مفاهیم فضایی، آموزش رباتیک و عامل‌های هوش مصنوعی.
  • محدودیت مرکزی: تداوم — برنامه‌ها صحنه‌های واکنشی را بر تقاضا تولید می‌کنند اما نمی‌توانند یک جهان را در سشن‌های تکمیل‌شده حفظ یا بازبینی کنند.
  • افسردگی انسجام: اپیزودها باید در افق ۶۰ تا ۹۰ ثانیه طراحی شوند؛ حالت محیط نمی‌تواند در سشن‌ها پایدار فرض شود.
  • قیمت‌گذاری بر ثانیه با بارهای آزمایشی و پرشی هم‌سو است اما دموهای تعاملی طولانی‌مدت را جریمه می‌کند.
  • حساسیت تأخیر: تأخیر رفت‌وبرگشت شبکه بالای ۱۵۰ میلی‌ثانیه به وضوح کنترل کیبورد را دیر می‌کند؛ نزدیکی جغرافیایی به مراکز داده آمریکا محدودیت سخت برای هدایت زمان واقعی است.

گام بعدی شما

  • کارهای کوتاه‌افق — بصری‌سازی مفهوم فضایی، اپیزودهای کوتاه آموزش عامل، ضربه‌های روایی تعاملی — را نمونه‌سازی کنید و خاتمه صریح سشن را با complete() یا cancel() ابزار کنید.
  • ارتقای سهمیه و احتمال گسترش منطقه فراتر از سرویس‌دهی فقط آمریکا را رصد کنید؛ حساسیت تأخیر فعلی به بیش از ۱۵۰ میلی‌ثانیه رفت‌وبرگشت، نزدیکی جغرافیایی را محدودیت سخت برای هدایت زمان واقعی می‌سازد.
  • برای خط لوله‌های پایتون/نود از WebSocket با ضبط فریم سفارشی استفاده کنید؛ برای برنامه‌های مرورگر تعاملی WebRTC را ترجیح دهید.
چرا این موضوع مهم است؟

این انتشار اولین API تجاری است که ویدیو تعاملی با صدا را به عنوان یک primitive قابل‌برنامه‌ریزی با بیلینگ بر ثانیه عرضه می‌کند و هزینه آزمایش عامل‌های شبیه‌سازی‌محور را برای تیم‌های رباتیک و هوش مصنوعی عامل‌محور به شدت کاهش می‌دهد. زیرساخت استنتاج ویدیو گوگل و اعتبار SynthID برای واترمارکینگ، اعتماد به خروجی‌های تولیدشده را در محیط‌های تحقیقاتی و تجاری تقویت می‌کند.

تأثیر برای ایران

به‌دلیل تحریم‌ها و محدودیت‌های API، دسترسی مستقیم برای توسعه‌دهندگان ایرانی مسدود است؛ تأخیر شبکه به مراکز داده آمریکا نیز کنترل زمان واقعی را غیرعملی می‌سازد.

·نگاه ما
تحریریه دات‌هوش

جینی ۴ نشان می‌دهد گوگل از ایده جهان‌های مجازی پایدار به سمت primitiveهای شبیه‌سازی کوتاه‌عمر و قابل‌فروختن پله می‌کند — تحولی که اقتصادیک استنتاج ویدیو را از اشتراک مقیاس‌پذیر به محاسبه بر ثانیه می‌کشد و محققان را مجبور می‌سازد اپیزودها را در افق ۹۰ ثانیه بسته‌بندی کنند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.