Google DeepMind 发布 Genie 4：世界模型首次原生生成声音与对话，Gemini 在后台实时导演场景

Google DeepMind 在 10 月 27 日发布了新一代世界模型 Genie 4。这是该系列第一个能原生生成声音的世界模型：模拟世界在实时运转的同时，会同步生成环境音、音乐和角色之间的互动对话，用户还可以用自然语言实时改动场景——比如换天气、移镜头、加一个人物或物体，世界会当场跟着变。

技术上，Genie 4 建立在 Gemini 家族之上。Gemini Omni 负责把模拟锚定在真实世界的外观与行为上，其他 Gemini 模型提供复杂推理、维持场景的连贯与延续。在运行过程中，Gemini 3.8 Flash 在循环内担任“导演”：持续观察画面，把目标拆成步骤、检查每一帧、确认每一步是否完成，用户一干预就当场调整计划。DeepMind 还展示了 Gemini 4 Argon 与 Genie 4 配合的实验：Argon 把任务拆解成步骤，Genie 4 实时渲染 Apptronik 的 Apollo 人形机器人下跳棋，以此验证多步骤事件的模拟能力。

DeepMind 强调的另一点是逼真度与物理表现：新模型模拟空气动力学、碰撞等真实物理场景，人物动作更自然、能对环境做出有机反应，还可以实时指挥。生成的所有视频与音频都会带上 SynthID 隐形数字水印，便于识别 AI 生成内容。应用方向上，DeepMind 点名了机器人与智能体的训练环境，以及影视、新闻、游戏与制造业的创作工具——受信任的测试者已经在用它做影视预演、历史场景还原和游戏原型，其中游戏开发者拿它从一个想法快速做出可探索的原型，在写一行引擎代码之前先验证玩法与视觉风格。

不过 Genie 4 目前仍是实验性的研究预览，只向一小批受信任的测试者开放，接下来才会陆续提供给 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 与 Google AI Studio 的早期合作伙伴。DeepMind 自己也列出了局限：跑得久了、经过多次复杂提示编辑或在场景中长距离移动后，视觉细节和物体恒常性仍会漂移；复杂物理交互、实时音频准确性、清晰文字的渲染、空间准确性与长期一致性都还在研究中。也就是说，它离“随叫随到的平行宇宙”还有距离，但世界模型从“生成一段视频”走向“实时运行一个世界”的这一步，已经迈出来了。

来源：Google DeepMind，原文：Genie 4: A new generation of world simulation