Genie 4 به Gemini API آمد؛ ساخت دنیای قابل کنترل با متن و عکس

گوگل Genie 4 را در Gemini API و AI Studio عرضه کرد: دنیای ۷۲۰p با صدا و کنترل با کیبورد. قیمت و دسترسی را بخوانید.

Genie 4 به Gemini API آمد؛ ساخت دنیای قابل کنترل با متن و عکس

گوگل روز ۱۹ نوامبر ۲۰۲۶ (۲۸ آبان ۱۴۰۵) مدل Genie 4 را از راه Gemini API و Google AI Studio در اختیار توسعه‌دهندگان گذاشت. این مدل از یک متن یا یک عکس، «دنیایی» می‌سازد که می‌توانید در آن با کلیدهای صفحه‌کلید حرکت کنید؛ با تصویر ۷۲۰p، ۲۴ فریم در ثانیه و صدای هم‌زمان. گوگل این را در وبلاگ رسمی خودش اعلام کرده است.

Genie 4 چیست؟

Genie 4 یک «مدل جهان» است. یعنی به‌جای ساخت یک ویدیوی ثابت که از اول تا آخر مشخص است، محیطی می‌سازد که با حرکت شما ادامه پیدا می‌کند. وقتی جلو می‌روید، مدل صحنه‌ی بعد را همان لحظه تولید می‌کند. گوگل می‌گوید استدلال Gemini کمک می‌کند وضعیت دنیا سازگار بماند؛ مثلا چیزی که پشت سر گذاشته‌اید ناگهان عوض نشود.

نمونه‌ی خودت را می‌توانی با گفتگو با هوش مصنوعی در هوش نو بسازی؛ هزینه را پیش از ساخت می‌بینی.

این خبر یک روز بعد از معرفی خودِ Genie 4 در قالب Project Genie آمده است. حالا همان مدل برای ساختن برنامه در دسترس است.

چه کارهایی می‌شود کرد؟

  • شروع با یک پرامپت متنی، یک عکس مرجع یا هر دو.
  • ساخت دنیای پیوسته با وضوح ۷۲۰p و ۲۴ فریم در ثانیه.
  • صدای بومی و هم‌زمان: از صدای محیط و جلوه‌ها تا گفتگوی شخصیت‌ها.
  • کنترل با کلیدهای صفحه‌کلید و هم‌زمان نوشتن پرامپت زنده؛ می‌توانید آب‌وهوا، نور، اشیا یا رویدادها را وسط کار عوض کنید.
  • روی هر خروجی واترمارک نامرئی SynthID می‌خورد که نشان می‌دهد با هوش مصنوعی ساخته شده است.

گوگل کاربردهایی مثل نمونه‌سازی تجربه‌های تعاملی، دیدن طرح‌های فضایی پیش از ساخت و آموزش روبات‌ها و عامل‌های هوش مصنوعی را نام برده است. در AI Studio هم یک بوم تعاملی و چند برنامه‌ی نمونه برای شروع هست.

چرا این مدل مهم است؟

ساخت یک جهان تعاملی تا امروز یعنی ماه‌ها کار مدل‌سازی، برنامه‌نویسی و طراحی صدا. مدل جهان این مراحل را در یک درخواست خلاصه می‌کند. البته با تصویر ۷۲۰p و سقف زمانی کوتاه، فعلا برای نمونه‌ی اولیه و آزمایش مناسب است، نه برای ساخت بازی نهایی. نکته‌ی دیگر واترمارک SynthID است: گوگل می‌خواهد حتی این دنیاهای ساختگی قابل شناسایی باشند.

قیمت و دسترسی

شناسه‌ی مدل «genie-4» است و دسترسی از راه Interactions API در Gemini API انجام می‌شود. پست رسمی عدد قیمت را ننوشته و به مستندات ارجاع داده است. دو رسانه‌ی دیگر، TestingCatalog و PPC Land ، قیمت را حدود ۱۰ سنت برای هر ثانیه‌ی خروجی نوشته‌اند، یعنی نزدیک ۶ دلار در دقیقه. این عدد را از خود گوگل تأیید نکرده‌ایم؛ پیش از برنامه‌ریزی، مستندات رسمی را ببینید. همین منابع می‌گویند سقف هر نشست حدود ۱۲۰ ثانیه است و فقط طرح پولی کار می‌کند؛ این‌ها هم در پست رسمی نیامده است.

این خبر یعنی چه برای کاربر فارسی‌زبان؟

Genie 4 فعلا ابزار توسعه‌دهندگان است، نه یک برنامه‌ی آماده برای همه. اما نشان می‌دهد ویدیوی هوش مصنوعی دارد از «کلیپ ثابت» به «محیط قابل کنترل» می‌رود. این برای ساخت بازی، نمونه‌ی اولیه‌ی طراحی و آموزش روبات کاربرد دارد. اگر می‌خواهید با مدل‌های ویدیوی امروز آشنا شوید، مقاله‌ی مقایسه‌ی مدل‌های ساخت عکس و ویدیو را ببینید، یا بخوانید راهنمای Veo گوگل و معرفی Gemini.

درباره‌ی دسترسی Gemini API از ایران در منابع ما چیزی نیامده است. اگر فقط می‌خواهید ویدیو یا عکس بسازید، در هوش‌نو می‌توانید با ابزارهای ساخت ویدیو و عکس کار کنید؛ همه‌ی ابزارها در ابزارهای هوش‌نو است. هوش‌نو Genie 4 را ندارد؛ ساخت دنیای قابل کنترل با آن فعلا تجربه‌ی دیگری است.

سؤالات متداول

Genie 4 با مدل‌های ساخت ویدیو چه فرقی دارد؟

مدل ویدیو یک کلیپ از پیش‌تعیین‌شده می‌سازد. Genie 4 محیطی می‌سازد که با حرکت شما ادامه پیدا می‌کند و می‌توان آن را زنده تغییر داد.

آیا همه می‌توانند از آن استفاده کنند؟

در دسترس توسعه‌دهندگان است، از راه Gemini API و AI Studio. گوگل در پست رسمی محدودیتی ننوشته، اما قیمت‌گذاری در مستندات است.

خروجی‌ها نشان دارند؟

بله. هر خروجی واترمارک نامرئی SynthID دارد.

منبع‌ها

نویسنده نعیم حشم‌بان بنیان‌گذار و سردبیرِ هوش نو

نعیم حشم‌بان بنیان‌گذارِ هوش نو است و هر روز مدل‌های تازه‌ی هوش مصنوعی را امتحان می‌کند تا آموزش و بررسیِ ساده و دقیق به زبانِ فارسی بنویسد.