Google DeepMind 发布世界模型 Genie 4，新增实时音频与自由编辑

Google DeepMind 于周二以研究预览形式发布世界模型 Genie 4。相比一年多前发布的 Genie 3，新模型生成的世界更接近照片级真实，并支持在模拟进行中通过文本提示实时修改场景，例如改变天气、调整镜头角度或添加人物和物体。 Genie 4 新增实时音频生成能力，可产出与模拟世界匹配的音乐、环境噪声和交互对话。场景一致性最长可维持两分钟，为前代的两倍，物理表现和角色拟真度也有提升。Gemini 与 Genie 4 的集成更紧密，Gemini 负责规划步骤和检查画面帧，Genie 负责生成视觉内容。 在与 Gemini Robotics 相关的研究实验中，Gemini 4 Argon 模型将任务拆解为步骤，由 Genie 4 实时模拟，展示了在真实世界执行前先在仿真中测试机器人场景的路径。Google 研究总监 Tejas Kulkarni 在简报中称，未来会越来越多出现 Gemini 写代码和文本、Genie 实时接收并模拟现实的混合世界模型。 商业用例包括游戏、互动学习和机器人。受信任测试者还指出影视原型制作这一新方向，Google DeepMind 工程师 Diego Rivas 表示，实时能力在创意流程的构思和分镜阶段最有价值。团队同时承认 Genie 4 仍有不足：模拟运行越久，细节和物体越容易漂移，音频准确性和场景内文字可读性也尚未完全解决。 Genie 4 目前向受信任测试者开放，未来数周将向 Google AI Ultra 订阅者通过 Project Genie 推出，并开放给 Gemini API 和 Google AI Studio 的早期访问伙伴。行业层面，Runway 数月前发布带音频的 GWM Worlds 2，World Labs 被 AMD 收购、亚马逊洽谈收购 Decart、Rivian 收购 Third Dimension，世界模型领域正在整合。