谷歌发布Genie 4世界模型 加入实时声音与人物对话 原创

产联社编辑 | 黄钰慧

图片由AI生成

【产联社】谷歌继续更新可实时互动的AI世界模型。当地时间10月27日，Google DeepMind发布新一代世界模型Genie 4，可在生成虚拟场景的同时生成环境声、音乐和人物对话，用户还能用自然语言实时调整天气、加入人物或物体。

谷歌表示，Genie 4目前处于研究预览阶段，已向少量受邀测试者开放，正在收集反馈。

虚拟世界能听也能改

用户可以一边探索，一边改变眼前的场景。DeepMind介绍，在其公布的演示中，用户通过键盘控制移动和镜头，并在场景运行时输入文字指令；用户没有输入新指令时，Gemini也会观察并引导场景继续发展。

实时探索并非此次才出现的功能。DeepMind在2025年8月发布Genie 3时，已展示通过文字生成环境并实时探索的能力。

此次更新的一项重点是声音。DeepMind称，Genie 4是其首个原生生成音频的实时世界模型，虚拟人物的对话和反应也能随用户输入及场景中的事件实时变化。

谷歌还将人物动作、物体碰撞和空气动力学场景的真实感列为改进方向，并公布了相应演示。

这意味着，Genie系列的能力重点正在从“生成一段可以移动的视频场景”，转向维持一个能够持续响应用户操作的虚拟世界。

Gemini负责规划，Genie负责生成环境

在需要连续完成任务的场景中，谷歌让不同模型承担不同角色。DeepMind介绍，Gemini 3.8 Flash负责观察场景、拆解目标并检查执行进度，Genie 4负责生成虚拟环境及其变化。用户改变要求时，Gemini会相应调整计划。

在一项机器人研究演示中，Gemini 4 Argon将任务拆成逐步文字指令，由Genie 4实时模拟Apptronik旗下Apollo人形机器人下跳棋的过程。

DeepMind将这类研究定位为探索如何在虚拟环境中模拟复杂任务，并在AI系统进入现实环境前测试其表现。

影视、游戏和机器人进入早期试用

影视和游戏领域的早期试用，主要围绕预演和原型设计展开。DeepMind披露，影视测试者正在尝试进入生成的场景，调整镜头、灯光、对白和人物动作，比较不同拍摄方案。

游戏开发者则在测试用文字生成可探索的原型，在编写游戏引擎代码前，先尝试画面风格、材质和基本互动方式。

除影视和游戏外，DeepMind称，一些摄影记者正在探索将二维历史照片转化为可探索的模拟场景。测试团队也在尝试用动态场景呈现洪水、野火等短期事件的发展过程。

不过，谷歌表示，Genie 4目前无法完全准确地模拟真实地点，生成画面不能直接作为真实地点或事件的准确还原。

对于其他行业，DeepMind表示，企业伙伴正在评估快速生成模拟场景的用途，并寻找模型与实际需求之间的差距。

世界模型也已被用于自动驾驶仿真。自动驾驶公司Waymo今年2月介绍，其Waymo World Model建立在Genie 3的基础上，并针对驾驶场景进行了调整，可模拟龙卷风、道路障碍等场景，供自动驾驶系统测试使用。

场景一致性仍是主要限制

交互时长和模拟准确性，仍是Genie 4的使用限制。据TechCrunch报道，Genie 4维持一致场景的时长可达约两分钟。

谷歌产品页说明，随着模拟持续、多次修改指令或在场景中移动，画面细节和物体状态可能出现前后不一致；复杂互动、声音准确性和清晰文字生成也仍需改进。

对于生成内容的识别，DeepMind表示，Genie 4生成的视频和音频都将加入SynthID数字水印，以帮助识别AI生成内容。

在接入安排上，谷歌计划后续通过Project Genie向Google AI Ultra订阅用户提供Genie 4，并面向Gemini API和Google AI Studio的早期合作伙伴开放，目前已提供候补申请入口。

从Genie 3的实时探索，到Genie 4加入声音、人物对话和自然语言实时修改，谷歌正在把世界模型从视频生成工具进一步推向交互式模拟平台。

对于企业而言，Genie 4提供了一个尝试场景预演和模拟的新工具，谷歌的测试伙伴正在探索它如何融入实际工作。模型目前仍处于有限开放的研究预览阶段，企业评估具体用途时，也需要考虑场景一致性、声音和空间准确性等使用条件。

商务合作，请联系侯经理 18801065284（微信同号）

报料及内容合作，请联系chanlianshe2026（微信号）