Genie 4 把声音、对话和文字操控塞进实时世界模型

Google DeepMind 发布了 Genie 4 的研究预览。按 MarkTechPost 的 Michal Sutter 报道，这是一个实时世界模型，新增原生音频、实时对话和文本操控，Gemini 3.8 Flash 负责在模拟循环内规划事件。

先补一点上下文。世界模型可以理解成能生成并维持可交互模拟环境的模型，用户输入会改变后续画面和事件。Genie 4 这次值得看的地方，是它把声音、对话和文字操控放进了实时循环。

按公开描述拆开看，有三点：

1. 原生音频。模拟环境不只输出画面，也带声音。对世界模型来说，音频会直接影响沉浸感和事件反馈。
2. 实时对话。模型支持实时对话能力，交互不再只靠预设按钮或固定指令。
3. 文本操控。用户可以用文字引导模拟内容，改变场景或事件走向。

另一个关键细节是 Gemini 3.8 Flash 在模拟循环内规划事件。规划发生在循环里，意味着事件安排和模拟运行绑得更紧，模型可以在运行过程中处理事件，而不是只生成一段固定结果。

现在能确认的信息很少，Genie 4 仍是研究预览。延迟、稳定性、开放范围、具体 API 形态都还没展开。对开发者，可以关注文本操控和循环内规划怎么接入；对普通用户，先把它看成能听会说、可按文字改剧情的模拟环境，离成品游戏还有距离。

原文：https://www.marktechpost.com/2026/10/28/google-deepmind-genie-4-world-model/