Genie 4 预览：世界模型开始自带声音

据 TestingCatalog 的 Erin 报道，Google DeepMind 预览了 Genie 4。公开信息里最明确的变化是原生音频。原文标题把 native audio 放在前面，这次重点落在声音，画面分辨率和时长没有成为标题里的卖点。

先补背景。Genie 是 DeepMind 的世界模型系列，目标是从图像或提示生成可交互环境。早期 Genie 从单张图生成可玩的 2D 世界；Genie 2 转向可玩的 3D 环境，支持键盘鼠标操作；Genie 3 把实时交互和画质往前推。到 Genie 4，声音被纳入模型原生输出，这个信号比单纯堆画面更值得看。

普通用户可以把世界模型理解成“能生成一个可以走进去的虚拟场景”。过去这类场景大多只有视觉，声音靠后期配。原生音频如果成立，生成环境时就能同步给出脚步声、碰撞声、环境声，甚至和动作相关的反馈。对做游戏原型、虚拟场景和智能体训练的人，这会影响工作流。智能体不只看画面，也能听声音做判断，评测维度会变。

现在能确认的细节不多。报道只给出预览和原生音频这个关键点，没有展开音质、延迟、控制方式、可用范围。看到这里先别把预期拉满。Genie 系列从演示到可访问产品还有距离，音频的时序对齐、空间感和交互一致性都不好做。声音生成比画面更容易暴露“假”，一次错位就能听出来。

我的判断是，Genie 4 的重点可能落在多模态世界模型的接口上。画面负责空间，声音负责事件和反馈。两者一起生成，世界模型才更像一个能测试智能体的环境。接下来值得盯三件事：音频是否和动作实时同步，是否支持空间音频，是否开放给开发者做场景。原文链接在文末。

根据 TestingCatalog 的 Erin 报道：ICYMI: Google DeepMind previews Genie 4 with native audio