Google发布Genie 4：实时世界模拟，这次带声音了

Google今天发布Genie 4，DeepMind的新一代交互世界模型。核心变化：原生多模态。画面、声音、对话一次生成，还能在运行中用文字实时改场景。

四个关键能力

实时操控。 用文本提示修改或添加世界里的东西。改天气、移镜头、加人或物体，Gemini会结合上下文把指令适配到当前场景。在两次输入之间，Gemini持续监测场景，保持连贯推进。

原生音频。 每个世界自带与环境匹配的声音：风吹树叶、海浪拍岸。角色对话能实时响应你的输入或世界里发生的事件。这是Genie系列第一个原生生成音频的实时世界模型。

物理和人物。 能模拟空气动力学、碰撞等物理场景。人物动作提升最明显——移动自然，对环境反应有机，可实时操控。

Gemini推理。 Gemini 3.8 Flash作为循环中的引导代理：持续观察场景，把目标拆成步骤，逐帧检查进度。用户干预时，它即时调整计划。这让世界能支撑多步事件和可靠因果。

Genie 3与Genie 4的实时画面对比

底层构成

Genie 4构建在Gemini家族之上。Gemini Omni把模拟锚定在真实世界的外观和行为上，其他Gemini模型提供维持连贯性的推理。你设定一个事件，Genie 4模拟接下来发生的事：世界如何响应、如何发声、里面的人如何移动、反应、说话。

机器人研究

Google把Genie 4和Gemini 4 Argon结合起来做机器人研究。Argon把用户指令拆成步骤，Genie渲染成画面，模拟过程中实时调整。示例：Apptronik的Apollo人形机器人在模拟世界里玩跳棋。

Apollo人形机器人在模拟世界中玩跳棋

能干什么

可信测试者反馈中，几个方向比较明确：

• 电影人拿它当预可视化草稿模式，实时跑多个镜头，调整机位、灯光、对话
• 摄影记者用一张2D档案照片生成可进入的环境模拟，体验历史空间
• 游戏开发者在写引擎代码之前，用自然语言测试视觉风格和交互机制
• 机器人研究：让机器人在模拟世界里反复试错，不需要物理世界的清理

可用性

Genie 4已以研究预览形式开放给可信测试者。接下来会提供给Google AI Ultra订阅用户（Project Genie）和Gemini API / Google AI Studio的早期合作伙伴。可加入waitlist等待。详细技术报告在DeepMind官方博客。

局限

DeepMind没有回避问题。短会话内环境能维持连贯，时间长了视觉细节和物体持久性会漂移。复杂物理交互、实时音频精度、文字渲染、空间精度、长期一致性都还在研究。所有Genie 4生成的视频和音频都会打上SynthID数字水印。

评论区的反应

有网友回忆："在学校机房等俄勒冈小径加载一个渡口要五分钟。现在打一句话，就能走进一个会说话的世界。"也有人不买账："语音还是有点机器人味。"有人关心一致性："离开一个区域再回来，它还能保持原样吗？"一位游戏开发者感叹："昨晚花三个小时调CSS网格。一个能模拟房间的模型，是另一个物种的执念。"