谷歌 DeepMind 发布世界模型 Genie 4：实时互动世界带上原生音频

发生了什么

DeepMind 在官方博客中把 Genie 4 定位为新一代世界模型：用户推动一个事件后，模型模拟接下来世界如何响应、如何发声、人如何移动与交谈。Gemini Omni 锚定模拟中的外观与行为，其他 Gemini 模型提供维持场景连贯性的推理；DeepMind 称，理解并模拟世界是构建通用人工智能的关键一环。

四项能力构成这次更新：运行中的世界可用自然语言实时改写，天气、镜头、新人物或新物体都可在模拟继续时加入，Gemini 按周围场景适配提示，并在两次输入之间持续引导场景保持连贯；物理与人物方面，模型模拟空气动力学、碰撞等真实物理，人物移动更自然且可实时引导；音频方面，Genie 4 是 DeepMind 首个原生生成音频的实时世界模型，风声、海浪与角色对话随输入与事件实时变化；Gemini 3.8 Flash 在回路内担任引导角色，观察场景、把目标拆解为步骤、逐帧检查进度，计划随场景变化调整，DeepMind 还演示了 Gemini 4 Argon 与 Genie 4 结合，模拟 Apptronik 的 Apollo 人形机器人下一盘跳棋。

开放节奏分三步：研究预览先给受信任测试者，随后 Google AI Ultra 订阅者经 Project Genie 接入，Gemini API 与 Google AI Studio 的早期合作伙伴也在后续之列，Project Genie 已开放候补名单。DeepMind 称，Genie 4 生成的全部视频与音频都带有 SynthID 水印；同时承认该模型仍是早期实验模型，长时间运行、多轮复杂编辑或穿越场景后，视觉细节与物体恒常性可能漂移，复杂物理交互、实时音频准确度、清晰文字渲染与空间准确度仍在研究中。据报道，场景连贯约两分钟，为 Genie 3 的两倍。

关键事实

1. 发布：谷歌 DeepMind 10 月 27 日在官方博客宣布 Genie 4，作者为 Raia Hadsell、Diego Rivas 与 Hang Qi。
2. 形态：实时互动模拟世界，音乐、环境音与交互对话与画面同步生成，不是先渲染再配音的视频片段。
3. 实时改写：运行中的世界可用自然语言改写天气、镜头、物体与人物，Gemini 按场景适配提示并持续引导。
4. 引导回路：Gemini 3.8 Flash 在回路内观察场景、拆解目标、逐帧检查进度；Gemini Omni 锚定外观与行为。
5. 开放节奏：研究预览先给受信任测试者，随后为 Project Genie 的 Google AI Ultra 订阅者与 Gemini API、Google AI Studio 早期合作伙伴，候补名单已开放。
6. 水印与限制：全部生成视频与音频带 SynthID 水印；场景连贯据报道约两分钟，长时间运行后细节与物体恒常性可能漂移。
7. 用途：DeepMind 列出的测试方向包括影视预演、游戏原型、机器人训练环境的快速场景生成。