Genie 4 为 Google 的世界模型带来原生音频与实时文本引导

新闻摘要

2026 年 10 月 27 日（星期二），Google DeepMind 发布了 Genie 4。这是一款全新的世界模型，能够实时生成交互式、照片级逼真的环境，并且首次在 Genie 系列中实现了画面与音频的原生同步生成。本次发布属于研究预览版，目前仅限可信测试者使用，计划在未来数周内面向更多 Google AI Ultra 订阅用户开放。

Genie 4 是什么

世界模型是一种 AI 系统，用于模拟环境的外观和行为方式，让用户可以在其中移动并在运行过程中对其加以改变。Genie 4 是 Genie 3 的继任者，后者由 Google 在一年多前以研究预览的形式发布。DeepMind 将新模型描述为原生多模态：它能够同时生成画面、声音和交互式对话，而不是事后再添加音频。

据 DeepMind 介绍，该模型可以模拟世界对初始事件的响应方式，包括声音效果以及其中人物的移动、反应和说话方式。它还提升了照片级真实感和动作流畅度，并能模拟空气动力学和碰撞等现实物理规律。

原生音频

DeepMind 称 Genie 4 是首个能够原生生成音频的实时世界模型。每个世界都会获得与其场景相匹配的环境音，例如风声或海浪声。模型同样可以生成音乐，角色还能进行实时对话，并根据用户的操作和场景中的事件做出调整。

TechCrunch 指出，竞争对手 Runway 在几个月前就发布了具备音频生成功能的可玩世界模型 GWM Worlds 2。Google 的 Veo 视频模型也能生成带有同步音频的高清视频，不过它生成的是视频片段，而非可供探索的世界。

实时引导

用户可以通过标准键盘操作在世界中移动并控制视角。在模拟运行期间，他们还可以输入文本提示词来改变场景，例如更改天气、切换镜头角度，或者添加人物或物体。Gemini 会根据周围环境调整每条提示词，并确保世界在多次输入之间保持连贯推进。

世界中的角色动作自然，能够对周围环境做出反应，并支持实时引导。TechCrunch 报道称，如今场景的一致性最长可维持两分钟，是 Genie 3 上限的两倍。

Gemini 如何在循环中发挥作用

Genie 4 将像素级渲染与 Gemini 的结构化推理能力相结合。DeepMind 表示，Gemini Omni 负责让模拟结果贴合真实世界的外观和行为，而其他 Gemini 模型则提供推理能力以维持连贯性和连续性。Gemini 3.8 Flash 充当引导智能体：它会观察场景，将目标拆解为步骤，验证每一步，并在世界发生变化或用户介入时调整计划。

Google 研究总监 Tejas Kulkarni 告诉 TechCrunch：“未来我们会越来越多地看到这类混合式世界模型。”DeepMind 自己的博文也表达了相同方向，提出将 Gemini 的推理能力与 Genie 的渲染能力相结合的混合方案。

机器人与智能体训练

DeepMind 将 Genie 4 定位为构建机器人和软件智能体训练环境的一种途径。在一项与 Gemini Robotics 相关的演示中，名为 Gemini 4 Argon 的模型将任务拆解为多个步骤，而 Genie 4 则模拟出执行结果，展示了 Apptronik 的 Apollo 人形机器人下跳棋的画面，任务步骤在渲染过程中以文字说明的形式呈现。其目标是在将机器人场景部署到物理世界之前，先在模拟环境中进行测试。

早期应用

可信测试者已经探索了创意指导和预可视化等用途，例如将历史照片或档案照片转化为模拟环境、快速制作游戏概念原型，以及生成企业场景。TechCrunch 还提到了一种学习构想：走进一幅历史画作中，并与画中人物交谈。

Google DeepMind 工程师 Diego Rivas 表示，实时特性对于创意构思和分镜设计最为重要，因为在这些场景中“保持心流状态”十分关键。他补充说，目前仍处于早期阶段，端到端的产品体验尚不明确。他表示，像 Gemini Omni 这样的工具最终或许能将 Genie 原型转化为创意素材，但他认为这“还有很长的路要走”。

局限性与安全性

Google 对该模型的不足之处持开放态度。视觉细节和物体恒常性仍可能随时间发生偏移或漂移，尤其是在较长的会话中或经过多次编辑之后。复杂的物理交互、实时音频的准确性、世界中文字的可读性、空间精度以及长期一致性仍是活跃的研究领域。DeepMind 的博文和 TechCrunch 的报道均未给出输出分辨率、帧率或具体片段时长等数据。

在安全性方面，DeepMind 表示在预览发布前进行了内部评估，采用从可信测试者开始的分阶段推广策略，并实施了符合 Google 政策的安全护栏。所有生成的视频和音频都带有 SynthID 水印。

可用情况

Genie 4 目前为面向可信测试者的研究预览版。未来数周内，它将通过 Project Genie 向 Google AI Ultra 订阅用户开放，同时也面向 Gemini API 和 Google AI Studio 的早期访问合作伙伴。Project Genie 于 2026 年 1 月 29 日上线，基于 Genie 3 构建，目前已开放候补名单。除 Google AI Ultra 层级之外，具体的定价和国家/地区可用范围尚未公布。

行业背景

世界模型正吸引大量投资。TechCrunch 指出，AMD 正在收购 World Labs，Amazon 据传正在洽谈收购 Decart，而 Rivian 则为自动驾驶模拟收购了 Third Dimension。通常被提及的商业应用场景包括游戏、交互式学习和机器人技术，这也正是 Google 为 Genie 4 重点强调的几个领域。

为什么重要

加入原生音频和自由编辑功能，使世界模型从无声的简短演示迈向更像交互式场景的体验。两分钟的一致性窗口以及官方承认的漂移问题表明该技术仍处于早期阶段，但这种由推理模型负责规划与校验、世界模型负责渲染的混合设计，正是研究人员预计会越来越多出现的模式。

来源：TechCrunch（2026 年 10 月 27 日）、Google DeepMind 博客《Genie 4: A new generation of world simulation》（2026 年 10 月 27 日），以及 Quartz、Analytics India Magazine 和 AI Weekly 的相关报道。