Google Genie 4の使い方とGemini API料金|空間生成と軽量音声AI「phonon」分担術
作成日:

Google Genie 4の使い方とGemini API料金|空間生成と軽量音声AI「phonon」分担術

IT・Mac・AI実践

論旨
  • 双方向3D空間生成がAPIで開放 :2026年11月18日に Google DeepMind が Project Genie での Genie 4 公開 を発表し、翌11月19日には開発者向け Gemini API での Genie 4 提供開始(モデルID:models/genie-4)に踏み切りました。テキストや16:9画像から 720p・24fpsの3D空間と48kHzステレオ音声 をリアルタイム生成し、WASD移動や自然言語での環境改変が可能です。

  • 秒間約0.10ドルの従量課金と切断漏れリスク :出力は1フレーム 240トークン(秒間 5,760トークン)で、100万トークンあたり 17.50ドル の有料枠(Paid tier)専用です。実効コストは 1秒あたり約0.10ドル(1分あたり約6.05ドル・最大120秒で約12.10ドル) に達し、WebRTC / WebSocket 接続の終了時にサーバー側で明示的に complete() を呼ばないと課金が走り続ける罠があります。

  • 軽量音声AI「phonon」や物理基盤との適材適所 :UIの音声案内や待機応答まで Genie 4 を繋ぎっぱなしにする設計は予算を焼き尽くします。約100MBで高速動作する 100MBで喋るAI「phonon」実測記事 のようなエッジ音声モデルに常時案内を任せ、3D空間体験の15〜45秒間だけ Genie 4 をバースト起動して即座に complete() で切る2段階設計が不可欠です。

合わせて読みたい深まる関連情報
この記事の対象となる方
  • 空間生成APIを試したい開発者・企画担当者 :Google AI Studio や Interactions API(v1beta)経由で models/genie-4 を組み込みたいものの、秒単位で積み上がるトークン料金とセッション管理の急所を事前に把握しておきたい方。

  • ARグラスやゲーム・建築試作のコストを抑えたい方 :空間UIや3Dプロトタイプを素早く作りたい一方で、厳密な物理シミュレータ(Algoryx等)との境界線や、100MB級の軽量音声合成AI「phonon」を組み合わせた破産しないシステム構成を知りたい方。

  • AIエージェントに安全なAPI実装を任せたい方 :ブラウザタブ閉鎖時の complete() 呼び出し漏れによる課金事故を防ぎ、コピペ用プロンプトで堅牢なタイムアウト・遮断ロジックを実装させたい方。


Google Genie 4とAPI開放の衝撃

3Dゲームエンジンでポリゴンや光源を1つずつ配置しなくても、たった1行のテキストや1枚の参照画像から「その場ですぐに歩き回れる音付きの3D世界」が立ち上がる時代が到来しました。

2026年11月18日、Google DeepMind は汎用ワールドモデル(世界モデル)の最新版となる Project Genie での Genie 4 公開 を発表しました。さらに驚くべきことに、わずか翌日の2026年11月19日には一般の開発者や企業が自社アプリへ直接組み込める Gemini API での Genie 4 提供開始 まで一気に開放しています。

質問するおじさん

これまでの動画生成AI(VeoやSoraなど)は「出来上がった映像を眺めるだけ」だったよね。Genie 4 がそのまま Gemini API に来たということは、自分のWebアプリの中でキーボードを叩いて3D空間を自由に歩けるようになるってこと?

解説ナビゲーター

まさにそこが最大の転換点です。ただし、リアルタイムで映像と音声を生成し続ける仕組みだからこそ、従来のテキストAPIと同じ感覚で実装すると「たった数時間で数十万円が溶ける」という恐ろしい課金構造も潜んでいます。まずは仕様の全体像から整理しましょう。

映像と音声が同期する双方向空間生成

これまでのワールドモデル研究では、無音の低解像度画面を数秒間動かすのが限界でした。しかし Genie 4 は、視覚・聴覚・操作の3要素を単一のモデル内でリアルタイムに統合しています。

✨ Genie 4 で進化した5つのコア機能
  • 720p・24fpsの双方向映像ストリーム :解像度1280×720ピクセル、毎秒24フレームの滑らかな画面を生成しながら、利用者のキー入力(WASD移動や視点変更)に合わせて次のフレームをリアルタイムに描画し続けます。

  • シリーズ初の48kHzステレオ音声ネイティブ同期 :後付けの効果音合成ではなく、足音、風の音、水しぶき、環境音楽、さらには空間内のキャラクターとの対話音声までが 48kHzステレオ で映像と同時に生成されます。

  • セッション中の自然言語リアルタイム環境改変 :空間の中を歩きながら「吹雪を降らせて」「夕暮れに変えて」「前方に案内ロボットを登場させて」とテキストや音声で指示を出すだけで、セッションを止めずにその場で世界が書き換わります。

  • Gemini Omni による現実空間への接地 :マルチモーダル基盤との統合により、単なる空想上の風景だけでなく、現実の建築レイアウトや地理的文脈に沿った空間構造を立ち上げる精度が大きく向上しました。

  • SynthID 電子透かしの全フレーム自動付与 :生成されたすべての映像フレームおよび音声ストリームには、Google DeepMind の不可視電子透かし「SynthID」が自動的に埋め込まれ、AI生成コンテンツの来歴検証に対応しています。

つまり Genie 4 は「再生ボタンを押す動画ファイル」ではなく、利用者の操作に1フレーム単位で反応し続ける「クラウド上の仮想空間エンジン」そのものです。

Project GenieとAPI提供の違い

Genie 4 には、エンドユーザー向けの体験環境である「Project Genie」と、開発者向けの「Gemini API(models/genie-4)」の2つの入り口が用意されています。両者の違いを比較図解で整理します。

Project Genie(Web体験版)と Gemini API 版の提供形態比較
個人・体験枠
Project Genie(Webアプリ)
  • 対象 :Google AI Ultra 契約者(米国の18歳以上から順次先行展開)

  • 料金形態 :月額サブスクリプション枠内の特典として提供

  • 操作方法 :専用Web画面からプロンプトや画像を入力し、ブラウザ上でそのままWASD操作と環境改変を体験

  • 主な用途 :アイデア出し、個人での空間探索、プロンプトの挙動確認

開発者・商用枠
Gemini API(models/genie-4)
  • 対象 :Google AI Studio および Gemini API の Paid tier(有料枠) 利用者

  • 料金形態 :出力フレーム(秒間5,760トークン)に応じた完全従量課金

  • 通信方式 :v1beta Interactions API による WebRTC / WebSocket 双方向ストリーミング

  • 主な用途 :自社Webサービス、空間UI、ゲーム試作、顧客向け3Dシミュレータへの組み込み

個人が自分の定額枠で遊ぶだけなら Project Genie で十分ですが、自社のプロダクトや社内ツールに組み込む場合は Gemini API 版(models/genie-4)を使うことになります。そして、この API 版こそがコスト設計の成否を分ける最大の急所です。


Gemini API版Genie 4の料金と制限

テキストを返す通常のLLM(大規模言語モデル)であれば、1回の質問で消費する出力トークンはせいぜい数百〜数千トークンで済みます。ところが、毎秒24枚の720p映像と48kHzステレオ音声を絶え間なく吐き出し続ける Genie 4 では、トークン消費の桁がまったく異なります。

秒間約0.10ドルのトークン単価構造

Gemini API での Genie 4 提供開始 の公式仕様に基づき、入出力のトークン換算レートと実効コストを一覧表にまとめました。

項目 公式仕様・課金レート 実効トークン量・換算金額
モデルID / API系統 models/genie-4(v1beta Interactions API) WebRTC / WebSocket 双方向通信
利用可能な課金枠 Paid tier(有料枠)限定 無料枠(Free tier)なし・Batch API 非対応
テキスト・画像入力単価 100万トークンあたり 1.50ドル 初期プロンプト+16:9参照画像(数千トークン程度)
映像+音声の出力換算 1フレーム = 240トークン(24fps固定) 1秒あたり 5,760トークン(1分あたり 345,600トークン)
映像+音声の出力単価 100万トークンあたり 17.50ドル 1秒あたり 約0.10ドル(0.1008ドル)
1分あたりの出力料金 345,600トークン × 17.50ドル / 100万 1分あたり 約6.05ドル(6.048ドル)
1セッション最大上限 最大120秒(2分間) のハードキャップ 1セッション最大 約12.10ドル(12.096ドル)
質問するおじさん

1フレーム240トークンで毎秒24フレームということは、たった1秒間画面を映すだけで5,760トークン も出力されるのか! しかも出力単価が100万トークンあたり17.50ドルだから、1秒につき約0.10ドル(推論:1ドル=155円換算で約15.5円)、1分で約6.05ドル(推論:約938円)がリアルタイムに積み上がっていく計算だね……。

解説ナビゲーター

そうなんです。しかも無料枠(Free tier)は一切提供されておらず、最初からクレジットカードや請求先アカウントを紐づけた Paid tier(有料枠)でしか動かせません。

最大120秒の上限と視覚ドリフトの壁

料金の高さに加えて、システム設計者が必ず押さえておくべき技術的制約が「120秒のセッション上限」と「視覚的ドリフト(変質)」の2点です。

⚠️ Genie 4 のセッション寿命と物体永続性の限界
  • 1セッション最大120秒のハードキャップ :API経由で立ち上げた3D空間セッションは、連続して最大 120秒(2分間) までしか維持できません。長時間のゲームプレイや常駐型メタバースのように何十分も繋ぎっぱなしにする用途には、仕様上対応していません。

  • 45〜90秒経過後の視覚的一貫性ドリフト :生成開始から45秒〜90秒を超えると、初期フレームで構築された部屋の構造やテクスチャ、天候の整合性が徐々に崩れ始める(ドリフトする)傾向があります。

  • 8秒以上の視線逸らしによるオブジェクト消失・変質 :確率的ワールドモデルの特性上、ある物体や看板から 8秒以上視線を外して別の方向を向き、再び振り返った際 に、元の物体が消えていたり別の形状に変わっていたりする「物体永続性の揺らぎ」が発生します。

この仕様から導かれる結論は明快です。Genie 4 は「何分も滞在する恒久的な3D空間」ではなく、「15秒〜45秒間の濃密な空間インタラクションを瞬時に立ち上げる短期バースト型エンジン」として設計すべきなのです。

月額コスト試算と無料枠なしの注意点

もしこの秒間課金の特性を理解しないまま、社内ポータルや一般公開Webサイトに「誰でも自由に触れる Genie 4 デモ画面」を設置したらどうなるでしょうか。ここでは 推論(1ドル=155円換算の独自試算モデル) として、利用規模別の月額APIコストを試算してみます。

💸 推論:利用時間・セッション数別の月額API課金シミュレーション(1ドル=155円換算)
  • ケースA(社内検証:1日20回 × 平均30秒で切断) :推論として、1日あたりの稼働は600秒(約60.48ドル)。30日間稼働させた場合の月額費用は 約1,814ドル(推論:1ドル=155円換算で約28.1万円) です。適切な秒数制限をかければ研究開発費として十分に収まります。

  • ケースB(無防備な運用:1日100回 × 上限120秒フル稼働) :推論として、切断制御を入れずに毎回120秒(約12.096ドル)まで回り切った場合、1日100回で1,209.60ドル。30日間の月額費用は 約36,288ドル(推論:1ドル=155円換算で約562.5万円) に跳ね上がります。

  • ケースC(一般公開デモがSNSで拡散:1日1,000回 × 上限120秒) :推論として、認証なしの公開ページが拡散されて1日1,000セッションが上限120秒まで走った場合、わずか1日で 約12,096ドル(推論:約187.5万円)、1か月放置すれば 約36.3万ドル(推論:約5,625万円) という破滅的な請求額に達します。

当ラボが以前 Gemini API・Google AI Studio従量課金の罠|2万円先払い検証とKVキャッシュの仕組み で検証した通り、Google Cloud / Gemini API の予算アラートメールは「設定額を超えた後に遅れて通知が届く」仕組みであり、デフォルトではAPIを自動停止してくれません。アプリケーション側での秒数制限と強制切断こそが唯一の命綱となります。


API破産を招くcomplete未実行の罠

Genie 4 を Gemini API で扱う際、開発者が最も陥りやすい最大の障壁(ボトルネック)が 「ブラウザ側で画面を閉じたのに、サーバー側で120秒上限まで課金が止まらない」 というゾンビセッション問題です。

タブを閉じても課金が続く通信の仕組み

通常のREST APIであれば、1回のリクエストに対してレスポンスが返った瞬間に通信と課金が完結します。しかし models/genie-4 は、v1beta Interactions API の上で WebRTC または WebSocket による双方向ストリームを維持し続けるステートフル(状態保持型)なセッション構造を採っています。

放置されたゾンビセッションと complete() 即時切断の課金差
課金暴走
NG設計:クライアント任せで complete() 未実装
  1. 利用者がWeb画面で3D空間を起動し、15秒間だけ操作 して満足する

  2. 「終了ボタン」を押さず、そのまま ブラウザのタブを閉じる(またはスマホ画面をロックする)

  3. サーバー側が切断を即座に確定できず、バックエンドの models/genie-4 セッションが 上限120秒まで残り105秒間も空回り生成を継続

  4. 誰も見ていない空白の105秒分に 約10.58ドル(推論:1ドル=155円換算で約1,640円) が1回ごとに無駄撃ちされる

コスト最小化
推奨設計:3重検知+サーバー側 complete() 強制実行
  1. 利用者が3D空間を起動し、15秒間操作 する

  2. タブ閉鎖(pagehide)、WebRTC切断、または 10秒間の無操作(WASD未入力) をバックエンドが即座に検知

  3. サーバー側から Interactions API に対して明示的に complete() メソッドを発行 し、生成プロセスをその瞬間に強制終了

  4. 課金は実利用の15秒分 約1.51ドル(推論:1ドル=155円換算で約234円) でピタリと止まり、無駄なトークン消費は 1トークンも発生しない

質問するおじさん

うわぁ……利用者は「15秒だけ試してタブを閉じた」つもりなのに、裏では120秒のハードキャップにぶつかるまで残り105秒分(約10.5ドル)の720p映像と音声が虚空に向かって生成され続けるわけか。それが何十人も重なったら目も当てられないね。

解説ナビゲーター

Webアプリの利用者は「終了ボタン」なんてまず押してくれません。タブを直接閉じる、別アプリに切り替える、トンネルに入って電波が切れるといったあらゆる離脱パターンを前提に、サーバー主導で complete() を叩く設計が絶対条件になります。

強制切断と無操作タイマーの3重防衛策

ゾンビセッションを1秒も残さず遮断するには、フロントエンド(ブラウザ)とバックエンド(中継サーバー)の間で以下の3重防衛ロックを実装する必要があります。

Genie 4 セッションの3重防衛・即時 complete() 切断フロー
防衛 1
3秒間隔ハートビート

ブラウザからバックエンドへ3秒おきに生存信号(Heartbeat)と最終キー操作時刻を送信します。タブ閉鎖時(pagehide)には navigator.sendBeacon() で即時終了通知を飛ばします。

防衛 2
無操作15秒&上限45秒

「WASDやプロンプト入力が15秒間ない場合」または「視覚ドリフトが始まる45秒のアプリ独自上限に達した場合」は、上限120秒を待たずに終了フラグを立てます。

防衛 3
complete() の強制発行

ハートビートが6秒途絶えた瞬間、またはタイマー到達の瞬間に、バックエンドの監視タイマーが Gemini Interactions API へ complete() を即時送信し課金を確定停止させます。

特に重要なのは「APIキーをフロントエンドに露出させず、必ず自社バックエンド(Rust や Go、Node.js 等の中継サーバー)でセッション寿命を握る」ことです。

クライアント側の JavaScript だけに complete() 呼び出しを任せていると、ブラウザクラッシュや通信遮断時に終了リクエスト自体が届かなくなります。バックエンド側で「開始から45秒経過、またはクライアントからのハートビートが6秒途絶えたら無条件で complete() を叩く」というサーバーサイド・ウォッチドッグ(番犬タイマー)を置くことで、1セッションあたりの最大損失を物理的に封じ込めることができます。


空間試作と物理シミュレータAlgoryxの分担

ここで多くの技術責任者が抱く疑問が、「Genie 4 がこれほどリアルな3D空間をリアルタイム生成できるなら、ロボット開発や自動運転、産業機械のシミュレータもすべて Genie 4 に置き換わるのか?」という点です。

結論から言えば、答えは明確に「ノー」です。2026年11月現在、3D空間技術は 「確率的ワールドモデル(Genie 4)」と「決定論的物理シミュレータ(Algoryx等)」の鮮やかな二極化 が進んでいます。

ARグラス空間UIやゲームの高速試作

Genie 4 が圧倒的な費用対効果を発揮するのは、人間の視覚・聴覚に向けた「空間体験の高速プロトタイピング(試作)」です。

たとえば、近年急速に普及しているメガネ型ARグラスを使った空間UIや、建築リノベーション後の室内ウォークスルー、インディーゲームのレベルデザイン(舞台設計)を考えてみましょう。従来なら3Dモデラーが Blender や Unreal Engine で数週間かけてアセットを組んでいた工程が、Genie 4 なら1枚の16:9スケッチ画像と数行の指示だけで、その場で環境音付きの空間として立ち上がります。

XREAL One(3DoF空間固定対応・Micro-OLED搭載 メガネ型ARグラス)

上記のような 3DoF 空間固定に対応した Micro-OLED 搭載ARグラス(XREAL One 等)をPCやスマートフォンに接続し、大画面の仮想ディスプレイ上で Genie 4 の720p空間ストリームを動かせば、クライアントとの打ち合わせ中に「ここの壁をガラス張りにして、外を吹雪にしてみよう」とその場で空間を書き換えながら合意形成を行うことができます。初期の合意形成やコンセプト検証において、これほど強力な武器はありません。

産業重機や剛体力学はAlgoryxの領域

しかし、建設現場で稼働する自律型油圧ショベル、港湾クレーン、工場の産業用ロボットアームの制御AIを訓練する場面では、必要な裏付け(エビデンス)の次元が根本から変わります。

前述の通り、Genie 4 は「見た目と音のもっともらしさ」を確率的に予測して描画しているため、45〜90秒で空間がドリフトしたり、8秒間目を離した隙に背後の障害物が消えたりします。もし自律重機の制御学習にそのまま使えば、バケットが土砂を掘削した際の反力(ニュートン力学)や摩擦係数、油圧シリンダーの負荷限界が物理法則と一致せず、現実の現場で横転や接触事故を引き起こしかねません。

まさに Genie 4 の API 開放と同日の2026年11月19日、欧州で大きな注目を集めたニュースが、スウェーデンの有力投資会社 Wallenberg Investments による 物理法則シミュレーション・合成データ基盤 Algoryx へのマイノリティ出資です。

確率的ワールドモデル(Genie 4)と決定論的物理基盤(Algoryx)の棲み分け
視覚・空間試作
Google Genie 4(確率的ワールドモデル)
  • 中核原理 :映像・音声・操作履歴から次フレームを確率予測する生成AI

  • 強み :テキストや1枚の画像から数秒で多様な3D空間と環境音を生成

  • 弱点 :45〜90秒での視覚ドリフト、8秒視線逸らしでの物体変質、厳密な力学計算の不在

  • 最適領域 :ゲーム試作、建築・映画プリビズ、ARグラス空間UIのコンセプト検証

産業・機械訓練
Algoryx / AGX Dynamics(決定論的物理基盤)
  • 中核原理 :ウメオ大学発の厳密な多体力学・剛体接触・土壌/ケーブル物理エンジン

  • 強み :実機のCADデータと物理法則に100%忠実な反力・摩擦・衝突の決定論的再現

  • 導入分野・実績 :ABB(産業用ロボット開発環境 RobotStudio への統合)や Volvo 等をはじめとする建設機械・産業ロボット・海事分野

  • 最適領域 :自律重機・建機・ロボットの強化学習用合成データ生成と安全検証

「人間の感性を刺激する空間デザインや初期試作は Genie 4」「1グラム・1ミリメートルの物理誤差も許されない重機やロボットの制御訓練は Algoryx 等の物理エンジン」と明確に役割を分けることが、現場で失敗しない技術選定の鉄則です。

軽量音声AI「phonon」との2段階分担設計

Genie 4 を自社アプリに組み込む際、もう1つの大きなコスト削減ポイントが 「音声対話・UIガイドの切り離し」 です。

Genie 4 は48kHzステレオでキャラクターの対話音声まで同時生成できるため、つい「最初のログイン挨拶から、メニュー説明、設定確認、質問応答まですべて Genie 4 の空間内で喋らせよう」と考えがちです。しかし、文字や音声案内だけで済む待機時間にまで毎秒5,760トークン(秒間約0.10ドル)の720p映像ストリームを流し続けるのは、二律背反(トレードオフ)を無視した高コストな設計になってしまいます。

容量100MB級で動くphononの実力

そこで組み合わせたいのが、エッジ端末や一般的なCPUサーバー単体で超高速に動作する極小サイズの音声合成AI(TTS)です。2026年11月にエンジニアコミュニティで話題となった 100MBで喋るAI「phonon」実測記事 では、音声AIスタートアップ Gradium(フランスの著名AI研究所 Kyutai 出身チームが設立)による軽量モデル「phonon」の驚異的な軽さが検証されています。

🔊 100MB級で動く軽量音声合成AI「phonon」の主要スペック
  • モデル容量わずか約104MB〜148MB :英語モデルの phonon:31m-en(3,100万パラメータ級・Ollama表示上は約41.12M)は約104MB、5言語対応の phonon:40m-multilingual(4,000万パラメータ級・Ollama表示上は約57.09M)でも約148MBという極小サイズに収まっています。

  • Ollama 1行で即座にWAV音声出力 :音声合成(TTS)に対応した最新版の Ollama が導入された環境なら、ollama run phonon:31m-en "Welcome to the spatial simulator." > speech.wav と実行するだけで、即座に自然な音声ファイルが生成されます。

  • GPU不要・CPU単体で実時間の20〜40倍超(RTF)の爆速生成 :高価なVRAM(GPUメモリ)を一切占有せず、省電力なデスクトップ母艦や一般的なノートPC、安価なクラウドCPUインスタンス上で一瞬にして音声合成が完了し、API従量課金は 0円 です。

Apple Mac mini(Appleシリコン搭載 コンパクトデスクトップ・大画面モニター独立セパレート母艦)

手元のローカル開発母艦として静音・省電力な Apple シリコン搭載 Mac mini を1台置いておけば、phonon:31m-en などの軽量音声AIと complete() 監視用の中継サーバーを24時間つけっぱなしで0円待機させる検証環境が手軽に整います。

質問するおじさん

たった100MBちょっとって、スマホアプリの写真数十枚分くらいのサイズじゃないか! しかも Ollama でローカル実行できるなら、何千回喋らせてもAPI料金は1円もかからないね。

解説ナビゲーター

はい。ただし、実務で phonon を採用する際には「ライセンス区分」と「対応言語」の2点に重大な注意事項があります。ここを見落とすとコンプライアンス違反や文字化け事故につながるため、正確に押さえておきましょう。

商用ライセンスと日本語非対応の注意点

100MBで喋るAI「phonon」実測記事 でも詳しく検証されている通り、phonon の2つのモデルには以下の明確な違いがあります。

モデル名 容量 / パラメータ 対応言語 ライセンス 実務での利用可否と注意点
phonon:31m-en 約104MB / 31M 英語のみ Apache 2.0 商用利用可能。グローバル向け英語UIや空間プロトタイプの音声ガイドにそのまま無償で組み込める
phonon:40m-multilingual 約148MB / 40M 英・仏・独・西・葡(5言語) CC BY-NC 4.0 非商用限定(商用利用不可)。さらに 日本語には公式非対応(日本語テキストを渡すと不自然な発音や破綻が生じる)
つまり、英語圏向けの商用プロトタイプや社内検証なら phonon:31m-en(Apache 2.0)が最高の0円音声エンジンになりますが、日本語の商用アプリで40M多言語版を使うことはライセンス面でも言語仕様面でもできません。

日本語UIで同じく「API課金0円のローカル音声案内」を実現する場合は、商用利用可能な日本語対応ローカルTTS(Style-Bert-Vits2 や VOICEVOX コア、ブラウザ標準の Web Speech API、軽量ONNX音声モデル等)をローカル側に配置し、英語モード時に phonon:31m-en を呼び出す構成を採るのが正解です。

常時0円案内と短時間3D生成の結合術

当ラボが Gemini Decision 1実測検証|出力0トークン判定APIとRust・Carbonの3層分担 で実証した「前段の軽量ゲートで重いAPI呼び出しを絞り込む」設計思想を、今回の Genie 4 と軽量音声AIの組み合わせに適用すると、以下のような理想的な2段階ハイブリッド構成が完成します。

軽量音声AI(0円常駐)× Genie 4(短時間バースト)の2段階ハイブリッド設計
STAGE 1
常時待機・音声UI(0円)

メニュー案内、生成したい空間のヒアリング、設定変更はすべてローカル軽量音声AI(英語は phonon:31m-en、日本語はローカル日本語TTS)と静止画プレビューで処理します。この間の Genie 4 課金は 0円 です。

STAGE 2
空間生成ゲート判定

利用者が「この空間の中を歩きたい」と確定し、プロンプトと16:9参照画像の準備が整った瞬間だけ、バックエンドが models/genie-4 の WebRTC セッションを開きます。

STAGE 3
30〜45秒体験+即complete()

視覚ドリフトが起きる前の 30〜45秒間だけ 720p+48kHz音声の双方向3Dウォークスルーを提供し、終了または無操作10秒で即座に complete() を呼んでステージ1(0円音声案内)へ戻します。

この枠組み(スキーム)を採ることで、利用者は「アプリを開いている間ずっとAIが声で案内してくれ、必要な場面では音付きの3D空間を自由に歩き回れる」というリッチな体験を味わいながら、運営者側のAPIコストは 無防備な常時接続と比べて5分の1〜10分の1以下(推論:1セッション平均30秒以内の制御による削減モデル) に圧縮できます。


課金暴走を防ぐGenie 4統合設計プロンプト

ここまでの検証結果を踏まえ、自社のプロトタイプや検証環境に models/genie-4 とローカル軽量音声AI(phonon 等)を安全に組み込むための実践手順をまとめます。

最上位推論モデル指定と事前調査の鉄則

WebRTC / WebSocket の非同期セッション管理や、ハートビート途絶時の complete() 強制呼び出しは、わずかな競合バグ(Race Condition)がそのまま課金漏れに直結します。そのため、AIコーディング環境(Antigravity や Cursor、Claude Code 等)で実装させる際は、軽量な高速モデルではなく、必ず Gemini 4 Carbon(または Gemini 4 Argon 等の最上位推論モデル) を指定してください。

さらに、いきなりコードを書かせるのではなく、現在のプロジェクト構造を調査させて「どこで complete() が漏れるリスクがあるか」の設計レポートを先に出力させる2段階プロンプトが極めて有効です。以下のプロンプトをそのままコピーしてAIエージェントへ渡してください。

あなたはシニアクラウドアーキテクト兼リアルタイム通信エンジニアです。
以下の技術検証記事の仕様と防衛設計を100%準拠の基準(Single Source of Truth)として読み込み、当プロジェクトへ Google Genie 4(Gemini API `models/genie-4`)およびローカル軽量音声合成AI(`phonon:31m-en` / 日本語ローカルTTS)の2段階ハイブリッド基盤を組み込むための事前調査と実装を行ってください。

【参照必須の一次仕様・設計基準URL】
https://lab.chihouzakki.com/blog/review/google-genie-4-gemini-api-3d-world-phonon-guide/

【厳守すべきハード制約(課金暴走防止ルール)】
1. 料金・仕様前提:`models/genie-4`(`v1beta` Interactions API)は720p・24fps+48kHzステレオ音声で1フレーム=240トークン(秒間5,760トークン、100万トークンあたり17.50ドル=秒間約0.1008ドル、Paid tier限定、最大120秒上限)であることを前提とすること。
2. APIキーの完全秘匿:フロントエンド(ブラウザ)から Gemini API を直接叩く設計は厳禁とし、必ずバックエンド中継サーバーでセッション生成と切断権限を管理すること。
3. 3重の `complete()` 強制切断ガード:
   - フロントエンドから3秒間隔のハートビート+最終操作時刻を送信し、`pagehide` / `visibilitychange` 発火時は `navigator.sendBeacon` で即時終了シグナルを送ること。
   - バックエンド側で「ハートビート6秒途絶」「WASD/プロンプト無操作15秒経過」「視覚ドリフト防止のアプリ独自ハードリミット(デフォルト45秒、最大でも120秒未満)」の3条件を監視するウォッチドッグタイマーを動かすこと。
   - いずれか1つでも条件を満たした瞬間、バックエンドから Interactions API の `complete()` を冪等(二重実行安全な形)で即時発行し、課金を確定停止させること。
4. 軽量音声AIとの2段階分担:
   - 待機中・メニュー操作・空間生成前のヒアリング音声は、API課金0円のローカル音声合成(英語は Ollama `phonon:31m-en`[Apache 2.0・商用可]、日本語は商用可能なローカル日本語TTSまたはWeb Speech API ※`phonon:40m-multilingual` は CC BY-NC 4.0 非商用かつ日本語非対応のため商用日本語には使用禁止)へ振り分けること。

【実行ステップ(必ず段階的に進めること)】
- STEP 1(事前調査と設計レポート出力 ※まだコードは書き換えないでください):
  現在のリポジトリ構成を確認し、①セッション状態管理の配置場所、②ブラウザ強制終了・回線切断時に `complete()` が漏れないための状態遷移図、③1日あたりの最大予算上限(サーキットブレーカー)の実装方針、④ローカル音声AIとの切り替えインターフェース定義をまとめた「事前設計レポート」を出力し、私の承認を待ってください。
- STEP 2(承認後の本実装と異常系テスト):
  私の承認後、上記3重防衛ガードと異常系テスト(タブ強制閉鎖シミュレーション、ハートビート途絶時の `complete()` 自動発火テスト、45秒ハードキャップ切断テスト)を実装し、エッジケースの検証結果を報告してください。
質問するおじさん

最初に「まだコードを書き換えずに、自分の環境に合わせた設計レポートとサーキットブレーカー案を出して承認を待て」と釘を刺しておくのがポイントだね。これならAIが勝手にフロントエンド直叩きの危険なコードを書いてしまう事故を防げるよ。

解説ナビゲーター

さらにプロンプト内に phonon:40m-multilingual の非商用制約(CC BY-NC 4.0)と日本語非対応の注意点まで明記してあるため、うっかりライセンス違反のモデルを本番環境へ組み込んでしまうミスも未然にブロックできます。


まとめ:空間生成APIを破産せず使いこなす

2026年11月18日の Project Genie 公開、そして翌11月19日の Gemini API(models/genie-4)開放によって、720p映像と48kHzステレオ音声が同期する双方向3D空間を、誰もが自社のアプリケーションから呼び出せるようになりました。最後に、本記事で検証した重要ポイントを振り返ります。

📌 Google Genie 4(Gemini API版)導入・コスト防衛の総まとめ
  • 秒間約0.10ドル(分間約6.05ドル)のPaid tier専用API :1フレーム240トークン×24fps=秒間 5,760トークン(100万トークンあたり17.50ドル)を消費します。無料枠(Free tier)や Batch API は存在せず、1セッション最大120秒(約12.10ドル)のハードキャップが設けられています。

  • サーバー主導の complete() 即時切断が生命線 :WebRTC / WebSocket 接続の特性上、利用者がブラウザのタブを閉じただけではサーバー側の生成が止まりません。ハートビート監視、無操作タイマー、そして視覚ドリフト(45〜90秒)手前でのハードリミットを組み合わせ、バックエンドから確実に complete() を発行してください。

  • 物理シミュレータ(Algoryx)や軽量音声AI(phonon)との適材適所 :ARグラス(XREAL One 等)向けの空間UIやゲーム・建築の初期試作には Genie 4 を使い、厳密な剛体力学が必要な産業重機・ロボット訓練には 物理法則シミュレーション・合成データ基盤 Algoryx のような決定論的エンジンを選ぶのが王道です。また、常時の音声案内は 100MBで喋るAI「phonon」実測記事 の phonon:31m-en(英語・Apache 2.0)やローカル日本語TTSに任せることで、API費用を最小限に抑えられます。

最先端のワールドモデルAPIも、料金構造とセッション寿命のクセさえ正確に把握して手綱を握れば、これまでの3D開発の常識を覆す最高の武器になります。

まずは前章の設計プロンプトを活用して、complete() による自動遮断ガードとローカル軽量音声AIの2段階パイプラインを組んだ上で、新しい双方向3D空間体験のプロトタイピングに踏み出してみてください。

安心してお昼寝する猫