Google DeepMind 发布 Genie 4 世界模型，支持实时交互、音频生成与长达两分钟的连贯模拟

Google DeepMind 在研究预览阶段发布了 Genie 4 世界模型，该模型不仅生成了更逼真的交互式场景和实时匹配音频，还允许用户在模拟过程中通过文本指令实时修改天气、视角或添加对象。Genie 4 将场景一致性维持时间延长至两分钟，是前代产品的两倍，并引入了更好的物理引擎和拟人化角色表现。这一更新紧随 Runway 发布 GWM Worlds 2 之后，反映了世界模型行业正在加速整合的趋势，包括 AMD 收购 World Labs 以及 Amazon 洽谈收购 Decart 等动态。

技术实现上，Genie 4 与 Google 的 Gemini 模型深度集成，Gemini 充当“导演”负责规划步骤和检查帧，而 Genie 负责视觉生成；实验显示 Gemini 4 Argon 模型可将任务拆解为步骤供 Genie 4 实时模拟，这为机器人场景测试提供了新路径。尽管官方提及游戏、互动学习和机器人等商业用例，但内部测试者指出其在电影原型设计和故事板构思阶段的快速创意迭代价值更为显著。不过，团队也承认当前仍存在细节漂移、音频准确性不足以及场景中文字不可读等技术缺口。

事实层面，Genie 4 目前仅对受信任测试者开放，未来几周将向 Google AI Ultra 订阅者和 Gemini API 早期合作伙伴推出。推断其作为混合世界模型的一部分，未来可能结合 Gemini Omni 的多模态能力，从图像、音频和文本生成视频资产。猜测其最终产品形态尚不明确，且距离完全成熟的端到端体验仍有距离，但这标志着从单纯视频生成向可交互、可编辑的动态世界构建迈出了关键一步。