Google DeepMind 发布 Genie 4 世界模型，支持实时交互与音频生成

Google DeepMind 推出 Genie 4，这是其首款能直接生成声音并支持实时互动的世界模型。该模型利用 Gemini 3.8 Flash 和 Gemini 4 Argon 在后台规划场景，实现角色对话、环境音效及物理交互。目前 Genie 4 仅向选定测试人员开放研究预览，未来将面向 Google AI Ultra 订阅者发布。

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。

Google DeepMind 正式发布 Genie 4，这是一款原生多模态的世界模型，能够同时生成高保真视觉、环境音效及交互式对话。该模型并非独立运行，而是深度整合了 Gemini 家族的能力：Gemini Omni 负责锚定真实世界的物理外观与行为逻辑，而 Gemini 3.8 Flash 则作为循环内的引导智能体（guiding agent），在模拟生成的每一帧中持续观察场景、拆解目标步骤并验证执行进度，从而确保复杂事件的因果连贯性。 Genie 4 的核心突破在于实现了基于文本提示词的实时场景操控与多步推理。用户可通过自然语言修改天气、移动相机或引入新对象，系统能即时调整画面以匹配上下文；在机器人仿真场景中，Gemini 4 Argon 可将任务分解为具体步骤并以文本字幕形式嵌入渲染流，指导 Genie 4 完成如下棋等复杂交互。目前该模型处于研究预览阶段，已部署至受信任测试者群体，并计划向 Google AI Ultra 订阅用户及 Gemini API 早期合作伙伴开放。 事实层面，Genie 4 具备原生音频生成能力，且所有输出均包含 SynthID 数字水印以标识 AI 生成内容。推断层面，这种架构标志着世界模型正从单纯的像素级预测转向结合结构化逻辑的混合模式，旨在解决长时程一致性与空间准确性问题。猜测层面，虽然官方提及未来将探索代码与语言模型的逻辑优势，但当前版本仍明确存在物体持久性漂移和长会话细节丢失的技术局限，其商业化路径高度依赖 Gemini 模型的推理成本与实时响应速度。

Google 发布 Genie 4 世界模型，支持实时自然语言更新、音频生成及约两分钟时长体验。该模型底层采用 Gemini 3.8 Flash，旨在辅助影视预可视化、游戏原型设计及机器人训练场景构建。Genie 4 将作为“研究预览”面向受信任测试者开放，并即将上线 Google AI Ultra 订阅服务。