谷歌DeepMind发布Genie 4世界模型：拟真度再升级，支持实时编辑与音频生成

10月28日消息，谷歌DeepMind于本周二正式推出其最新世界模型Genie 4，目前该模型尚处于研究预览阶段。据官方介绍，Genie 4能够生成迄今拟真度最高、可交互的虚拟世界，用户在模拟运行过程中可通过输入提示词实时修改场景内容。此外，该模型还具备生成与虚拟世界同步的实时音频的能力，覆盖音乐、环境音以及可交互对话等类型。

值得注意的是，在Genie 4问世前数月，AI视频初创公司Runway已推出其第二代世界模型GWM Worlds 2，该模型同样支持交互运行，能够对用户输入做出动态响应，并具备音频生成功能。与此同时，世界模型领域的整合趋势愈发明显：李飞飞创立的世界实验室（World Labs）已被AMD收入囊中，亚马逊正就收购Decart展开洽谈，而Rivian则刚刚完成对Third Dimension的收购，旨在内部构建仿真能力以服务于自动驾驶测试。

此次推出Genie 4，是谷歌在竞争日趋激烈的世界模型赛道上保持领先地位的最新动作。

早在一年多前，谷歌便以研究预览形式发布了前代模型Genie 3。相较之下，Genie 4不仅在画面拟真度上实现大幅跃升并新增音频能力，还支持自由形式的编辑操作——用户可实时调整天气、切换镜头角度，或向场景中新增人物与物体。该模型最长可维持两分钟连贯一致的场景，时长达到前代模型的两倍，物理效果表现更为出色，虚拟人物也更加贴近真人。

与此同时，Gemini与Genie 4的集成度进一步提升。在这一协作框架中，Gemini扮演"导演"角色，负责规划步骤与校验画面帧，Genie 4则承担视觉内容的生成工作。在一项与Gemini机器人项目相关的研究实验中，Gemini 4 Argon模型将任务拆解为多个步骤，再由Genie 4进行实时仿真。该实验展示了一种可行路径：在真实世界开展机器人测试之前，先在仿真环境中对相关场景进行验证。

谷歌研究总监特贾斯·库尔卡尼（Tejas Kulkarni）在简报会上表示："未来我们会越来越多地见到这类混合式世界模型，由Gemini编写代码和文本，Genie 4实时读取这些内容，在不同抽象层级上对现实进行仿真。"

与其他世界模型类似，Genie 4主推的商业化落地场景涵盖游戏、交互式学习以及机器人领域。以交互式学习为例，一个设想案例是用户进入一幅描绘历史场景的画作之中，与画中人物交流画里记载的事件。

不过，首批能够体验谷歌前沿产品的"可信测试者"发现了一个潜在的新用途：电影原型制作。

谷歌DeepMind工程师迭戈·里瓦斯（Diego Rivas）在媒体简报会上指出："实时特性的价值，在需要维持连贯创作思路的场景里体现得尤为突出。比如创意构思阶段、分镜脚本阶段，所有需要快速迸发创意的环节都适用。"

谷歌此前还推出过AI视频生成模型Veo，该模型可根据文本、图片或视频提示词生成高清短片，并自带同步音频，在影视创作者群体中的热度持续攀升。

里瓦斯补充称，用户未来有望借助多模态大模型Gemini Omni，将原型素材转化为正式创作资产——Gemini全模态可基于图片、音频和文本生成视频。不过他也坦言，这些能力距离真正落地尚有一段距离。

整场简报会上，里瓦斯反复强调Genie 4仍处于发展早期，完整产品最终将呈现怎样的体验尚无定论。团队也坦承Genie 4仍存在短板：仿真运行时间越长，细节和物体越容易出现偏移；团队尚未找到稳妥方案，以确保音频准确无误的同时让虚拟世界中的文字清晰可辨。

目前，Genie 4已面向可信测试者开放研究预览。未来数周内，该模型将陆续向谷歌AI Ultra订阅用户及Genie项目开放——Genie项目是谷歌推出的一款AI工具，可根据文本或图片提示词生成可交互虚拟世界。此外，Gemini应用程序接口（API）和谷歌AI Studio的早期合作方也将获得使用权限。

责任编辑：广汉