Genie 4 為 Google 的世界模型帶來原生音訊與即時文字引導

新聞摘要

2026 年 10 月 27 日（星期二），Google DeepMind 發表了 Genie 4，這是一款全新的世界模型，能夠即時生成互動式、照片級寫實的環境，並且首次在 Genie 系列中於產生畫面的同時原生輸出音訊。此版本目前為僅限受信任測試者使用的研究預覽版，並計畫在未來數週內向更多 Google AI Ultra 訂閱用戶推出。

Genie 4 是什麼

世界模型是一種模擬環境外觀與行為的 AI 系統，讓使用者能在其中移動並在運行過程中加以改變。Genie 4 是 Genie 3 的後繼版本，而 Google 在一年多前曾以研究預覽版的形式發布 Genie 3。DeepMind 將這款新模型描述為原生多模態：它能同時生成視覺畫面、聲音與互動對話，而非事後再補上音訊。

根據 DeepMind 的說法，該模型會模擬世界對初始事件的反應方式，包括聽起來如何，以及其中的人物如何移動、反應與說話。它同時也提升了照片級寫實度與動作流暢度，並能模擬空氣動力學與碰撞等真實世界的物理現象。

原生音訊

DeepMind 稱 Genie 4 為首款能原生生成音訊的即時世界模型。每個世界都會獲得符合其情境的環境音效，例如風聲或海浪聲。模型也能生成音樂，角色則可進行即時對話，並根據使用者的操作與場景中的事件做出調整。

TechCrunch 指出，競爭對手 Runway 在幾個月前就推出了具備音訊生成功能的可遊玩世界模型 GWM Worlds 2。Google 的 Veo 影片模型同樣能產出音訊同步的高畫質影片，不過它生成的是短片片段，而非可供探索的世界。

即時引導

使用者可透過標準鍵盤控制來移動並操控視角。在模擬運行期間，他們還能輸入文字提示來改變場景，例如更改天氣、調整鏡頭角度，或是新增人物與物件。Gemini 會讓每段提示配合周遭場景，並在多次輸入之間維持世界連貫地推進。

世界中的角色行動自然、會對周遭環境做出反應，並可接受即時引導。TechCrunch 報導指出，場景現在最多可維持兩分鐘的一致性，是 Genie 3 上限的兩倍。

Gemini 如何在運作迴路中發揮作用

Genie 4 將像素級渲染與 Gemini 的結構化推理結合在一起。DeepMind 表示，Gemini Omni 負責讓模擬結果貼近真實世界的外觀與行為，而其他 Gemini 模型則提供推理能力以維持連貫性與連續性。Gemini 3.8 Flash 扮演引導代理的角色：它會觀察場景、將目標拆解為步驟、驗證每個步驟，並在世界發生變化或使用者介入時調整計畫。

Google 研究總監 Tejas Kulkarni 告訴 TechCrunch：「我們未來會越來越常看到這類混合型世界模型。」DeepMind 自己的文章也指向相同方向，提出將 Gemini 的推理能力與 Genie 的渲染能力結合的混合架構。

機器人與代理訓練

DeepMind 將 Genie 4 定位為建立機器人與軟體代理訓練環境的工具。在一項與 Gemini Robotics 相關的示範中，名為 Gemini 4 Argon 的模型將任務拆解為多個步驟，同時由 Genie 4 模擬結果，展示 Apptronik 的 Apollo 人形機器人下西洋棋的過程，並在渲染時以文字說明呈現任務步驟。目標是在實際部署到實體世界之前，先在模擬環境中測試機器人應用情境。

早期應用

受信任測試者已嘗試將其用於創意指導與前期視覺化，例如將歷史或檔案照片轉化為模擬環境、快速製作遊戲概念原型，以及生成企業情境。TechCrunch 也提到一種學習構想：走進一幅歷史畫作中，並與畫中人物交談。

Google DeepMind 工程師 Diego Rivas 表示，即時特性對於發想與分鏡腳本設計最為重要，因為在這些情境中「保持心流狀態」十分關鍵。他補充說，目前仍處於早期階段，端到端的產品體驗尚未明朗。他指出，像 Gemini Omni 這樣的工具最終或許能將 Genie 原型轉化為創意素材，但他認為這「還有一段距離」。

限制與安全性

Google 對模型的弱點相當坦承。視覺細節與物體恆存性仍可能隨時間偏移或漂移，尤其是在較長的使用過程或經過多次編輯之後。複雜的物理互動、即時音訊的精確度、場景中文字的清晰度、空間準確性以及長期一致性，都仍是積極研究的領域。DeepMind 的文章與 TechCrunch 皆未提供輸出解析度、影格率或確切片段長度等數據。

在安全性方面，DeepMind 表示已在預覽版推出前進行內部評估，並採用從受信任測試者開始的分階段推出策略，同時套用符合 Google 政策的防護機制。所有生成的影片與音訊都會加上 SynthID 浮水印。

可用狀態

Genie 4 目前是供受信任測試者使用的研究預覽版。未來數週內，預計將透過 Project Genie 開放給 Google AI Ultra 訂閱用戶，以及 Gemini API 與 Google AI Studio 的早期合作夥伴使用。Project Genie 已開放候補名單，該專案於 2026 年 1 月 29 日上線，並以 Genie 3 為基礎打造。除 Google AI Ultra 方案之外，具體定價與國家／地區可用性尚未公布。

產業背景

世界模型正吸引大量投資。TechCrunch 指出，AMD 正在收購 World Labs，Amazon 據傳正洽購 Decart，而 Rivian 則為了自動駕駛模擬收購了 Third Dimension。常被提及的商業應用包括遊戲、互動式學習與機器人，這些也正是 Google 為 Genie 4 強調的重點領域。

為何重要

加入原生音訊與自由形式編輯功能，使世界模型從無聲的簡短示範，走向更像互動場景的體驗。兩分鐘的一致性窗口以及已知的漂移問題顯示這項技術仍處於早期，但這種由推理模型負責規劃與檢查、世界模型負責渲染的混合設計，正是研究人員預期會越來越常見的模式。

資料來源：TechCrunch（2026 年 10 月 27 日）、Google DeepMind 部落格文章《Genie 4: A new generation of world simulation》（2026 年 10 月 27 日），以及 Quartz、Analytics India Magazine 與 AI Weekly 的相關報導。