谷歌 DeepMind 发布 Genie 4世界模型，新增实时音频与场景编辑

谷歌DeepMind于10月28日发布第四代世界模型Genie 4的研究预览版。该模型可生成迄今最逼真、最具交互性的模拟世界，并新增与场景匹配的实时音频，包括音乐、环境音效和交互式对话。

与上一代Genie 3相比，Genie 4支持在模拟过程中用提示词实时改变天气、摄像机角度或添加人物与物体，一致场景的维持时间从一分钟延长到两分钟。模型目前面向受信任测试人员开放，后续将通过Project Genie向Google AI Ultra订阅用户及Gemini API早期合作伙伴提供。

发布与开放范围

谷歌DeepMind在10月28日的研究预览中推出Genie 4，并将其定位为迄今最逼真、最具交互性的世界模型。与一般视频生成工具不同，该模型生成的是可被用户持续输入、动态响应的模拟环境，而非固定片段的画面。

目前Genie 4仅面向受信任测试人员开放研究预览。谷歌计划在未来几周通过Project Genie向Google AI Ultra订阅用户提供，同时向Gemini API和Google AI Studio的早期合作伙伴开放。Project Genie是谷歌的一款AI工具，可根据文本或图像提示词生成可交互的虚拟世界。

在媒体吹风会上，谷歌DeepMind工程师迭戈·里瓦斯多次强调，Genie 4仍处于早期发展阶段，最终的端到端产品体验会是什么样子，目前还不清楚。

相比Genie 3的升级

与一年前发布的Genie 3相比，Genie 4的变化首先体现在画面质量上，模拟世界更加逼真，物理模拟效果更出色，角色也更接近真人。同时，模型新增了与场景匹配的实时音频，涵盖音乐、环境音效和交互式对话。

交互方式也有扩展。用户可以在模拟过程中输入提示词，实时改变天气或摄像机角度，也可以向场景中添加新人物或物体。

里瓦斯表示，实时功能最大的价值在于让创作者保持流畅的创作状态，在创意构思和故事板制作等需要快速产生想法的阶段尤其有用。受信任测试人员还提出了制作电影原型的潜在用途。谷歌另有一款AI视频生成模型Veo，可根据文本、图像或视频提示词生成带同步音频的高清视频片段，正越来越受到电影制作人欢迎。里瓦斯补充说，未来用户或许可以借助多模态大语言模型Gemini Omni将这些原型转化为可用于创作的素材，但实现仍需一段时间。

与Gemini的整合方式

Genie 4与谷歌AI模型Gemini实现了更紧密的整合。在这一分工中，Gemini充当“导演”，负责规划步骤并检查画面，Genie则负责生成视觉内容。

在与Gemini Robotics相关的一项研究实验中，Gemini 4 Argon模型将任务分解为多个步骤，再由Genie 4进行实时模拟。该实验展示了一种潜在路径，即在机器人执行现实世界任务之前，先在模拟环境中测试相关场景。

谷歌研究总监特贾斯·库尔卡尼在媒体吹风会上表示，未来会越来越多地看到这种混合式世界模型，将Gemini编写代码和文本的能力，与Genie实时接收这些内容并在不同抽象层次上模拟现实的能力结合起来。

与其他世界模型一样，Genie 4瞄准的商业应用场景包括游戏、交互式学习和机器人技术。交互式学习的一种设想是，用户进入一幅描绘历史场景的画作，与画中人物交谈，了解画作所呈现的历史事件。

已知不足与限制

团队承认Genie 4仍存在一些不足。随着模拟运行时间延长，细节和物体可能出现偏移或变化，这也是模型将一致场景维持时间设定为两分钟所对应的现实约束。

音频方面，团队尚未完全解决如何确保声音准确的问题；虚拟世界中的文字能否清晰可读，也仍未彻底解决。

这些限制与里瓦斯对产品成熟度的表态相呼应。Genie 4当前以研究预览形式提供，功能边界和最终形态都还在探索之中。

行业竞争与收购动向

Genie 4是谷歌为在竞争激烈的世界模型领域保持领先而采取的最新举措。就在其发布几个月前，AI视频创业公司Runway推出了第二款世界模型GWM Worlds 2，该模型可交互，能根据用户输入动态响应，并具备音频生成功能。

世界模型行业同时出现整合趋势。李飞飞的World Labs正被AMD收购，亚马逊正在洽谈收购Decart，Rivian则刚刚收购Third Dimension，以将模拟能力引入内部用于自动驾驶测试。

在这一背景下，谷歌同时推进模型能力与分发渠道：一方面通过Gemini与Genie的分工探索混合式世界模型，另一方面借助Project Genie、Gemini API和Google AI Studio把研究预览逐步交到订阅用户和开发者手中。

要点

• Genie 4以研究预览版形式发布，首批面向受信任测试人员
• 新增实时音频，可生成音乐、环境音效与交互式对话
• 一致场景维持时间达两分钟，为上一代的两倍
• Gemini充当导演规划步骤，Genie负责生成视觉内容
• 团队承认模拟时间延长后细节和物体可能偏移