DeepMind发布Genie 4：支持原生音频与实时互动

Google DeepMind 正式发布新一代 AI 世界模型 Genie 4。该模型可实时生成交互式虚拟环境，在提升逼真度的同时，首次实现了音视频的同步原生生成，涵盖背景音乐、环境杂音以及实时变动的角色对话。

DeepMind 将其描述为“解锁前所未有真实感并增强实时交互模拟的新世界模型”。

借助 Gemini 掌控虚拟世界

用户可通过文本提示词创建可自由探索的世界，并使用键盘控制在场景中移动。在场景运行期间，用户还可以随时输入新指令，例如改变天气或添加角色。

Genie 4 依托于 Google 的 Gemini 模型家族：

• Gemini Omni：负责将模拟表现与真实世界的视觉和物理规律对齐。
• Gemini 3.8 Flash：作为“人在回路中的引导智能体”，负责实时监测场景，将目标拆解为执行步骤，并核查传入的帧序列以维持世界的一致性。

在生成时长方面，Genie 4 能够生成约两分钟的交互体验，较 Genie 3 的一分钟有所提升。不过，DeepMind 也承认该模型仍存在局限性：视觉细节和物体恒常性可能会随着时间推移出现漂移，在较长模拟过程中尤为明显。

分阶段推出与行业反响

目前，Genie 4 仅作为研究预览版面向受信任的测试人员开放。后续将逐步向 Project Genie 的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的抢先体验伙伴开放，目前候补名单已上线。所有生成的视频和音频内容都将包含 SynthID 水印。

Google 正在推动该模型在影视前期预览、游戏原型开发以及机器人仿真训练中的应用。

资本市场此前已对 Genie 的发布产生反应。在 Alphabet 早期推出 Project Genie 时，Take-Two Interactive 和 Roblox 股价在盘中均下跌约 9%，Unity 跌幅达 19%，投资者一度担忧此类工具将颠覆传统游戏制作流程。随后，Google 与 Unity 宣布达成合作，共同构建基于文本生成游戏的 AI 平台。

DeepMind 强调，Genie 4 目前仍属于“早期的实验性模型”，其研发核心目标是迈向通用人工智能（AGI），并为机器人与 AI 智能体打造更先进的训练环境。