概要
ロボット向けの身体性推論を行う視覚言語モデル(VLM)のプレビュー版。Live API を使ったリアルタイムの双方向ストリーミングと、低遅延のロボットエージェント向けに最適化されている。2026年7月30日に公開プレビューとして提供開始。(aistudio.google.com)
能力と用途
- テキスト、画像、動画、音声を入力し、テキストを出力する。関数呼び出し、推論、Google 検索によるグラウンディングに対応する。(aistudio.google.com)
- 連続映像の理解、空間推論、タスクの進捗把握、複数ロボットの協調やツールのオーケストレーションに利用できる。用途例は、現場の継続監視、複数ロボットへの作業割り当て、倉庫でのピッキングや梱包の確認。(aistudio.google.com)
- ロボットの動作実行には、利用者が接続するロボット API や下位の VLA モデルなどを用いる。(blog.google)
仕様と制限
- 入力上限は131,072トークン、出力上限は65,536トークン。音声生成、画像生成、コード実行、構造化出力、コンテキストキャッシュ、Batch API、Flex 推論、優先度推論には非対応。(aistudio.google.com)
- Live API のロボット向け接続はステートフルな WebSocket を使用し、入力音声は16 kHz・16ビットのリトルエンディアン PCM、画像は JPEG で最大1 FPS。関数呼び出しはブロッキング方式のみ対応する。(aistudio.google.com)
- プレビュー版であり、生成 AI は誤りを起こし得る。実機の安全な運用環境を維持する責任は利用者にある。(aistudio.google.com)
料金
Gemini Developer API の本ストリーミングモデルに対する標準料金。通貨は米ドル(USD)、トークン料金はそれぞれ100万トークン当たり。確認日:2026年11月16日。(aistudio.google.com)
- 無料枠:入力・出力とも無料。Google 検索によるグラウンディングは利用不可。
- 有料枠、2026年12月31日まで:入力 USD 1.00(テキスト・画像・動画・音声)、出力 USD 5.00。
- 有料枠、2027年1月1日以降:入力 USD 2.00(同上)、出力 USD 10.00。
- Google 検索によるグラウンディング:有料枠では、Gemini 3 以降の全モデルで共有される月5,000検索リクエストまでは無料、超過分は1,000リクエスト当たり USD 14。1プロジェクト当たりデフォルトで1日1,500リクエストの上限がある。
- 無料枠のコンテンツは Google の製品改善に使用され、有料枠のコンテンツは使用されない。料金・利用可能地域・制限は公式ページで確認すること。(aistudio.google.com)