Gemini cnblogs

主题

Google DeepMind 推出 Genie 4：实时生成可交互世界与原生音频 ​

Google DeepMind 于 2026 年 10 月 27 日发布 Genie 4 研究预览。本文依据官方公告和 MarkTechPost 报道整理；尚未公开的模型参数、运行规格与评测结果不作推测。

Google DeepMind 发布 Genie 4，一种能够根据文本和图像提示实时生成可探索场景的世界模型。它可以随着键盘操作和自然语言提示改变场景，并同步生成环境音、音乐与互动对话。Google 将其定位为研究预览，当前先向受邀测试者开放，之后计划逐步扩展到消费者和开发者。

AI 导读 ​

Genie 4 的主要变化，是将实时场景生成、原生音频和 Gemini 模型的多步推理结合起来。Genie 负责生成世界的视觉与声音，Gemini 3.8 Flash 则在模拟过程中观察画面、拆解目标、检查步骤是否完成，并根据新输入调整计划。官方将这项研究与机器人和智能体训练环境联系起来，但目前公布的是研究预览能力，不是已验证的通用物理模拟器。

Genie 4 如何生成可交互世界 ​

与生成一段固定视频不同，世界模型会逐帧响应用户输入。Google 表示，Genie 4 可以从文本和图像提示构建场景，用户可通过键盘移动和控制视角，也能在运行过程中用自然语言改变天气、移动摄像机或加入人物与物体。

系统还会尝试模拟空气动力、碰撞等物理现象，以及人物对周围环境的动作反应。DeepMind 将人物运动和实时交互列为重要进展，但没有公布可供横向比较的模型参数、分辨率、帧率或标准化基准表，因此不宜据此推导其在具体游戏或机器人任务中的效果。

Gemini 3.8 Flash 在模拟循环中规划 ​

官方介绍的架构由不同模型分工：Gemini Omni 用于锚定场景的外观和行为，其他 Gemini 模型负责帮助维持模拟连贯性。公告特别提到 Gemini 3.8 Flash 作为循环内的引导智能体，持续观察 Genie 4 生成的画面，并执行以下工作：

  • 理解提示：结合正在运行的场景调整用户指令。
  • 拆分目标：将复杂目标分解为连续步骤。
  • 检查进展：观察新画面，判断当前步骤是否实现。
  • 调整计划：场景变化或用户介入时，及时修订后续动作。

这种组合体现了混合世界模型的研究方向：语言模型处理结构、目标与叙事规划，生成模型则呈现具体的视觉、声音和场景变化。其长期一致性和复杂交互能力仍在改进中。

原生音频与应用探索 ​

Genie 4 是 DeepMind 所称首个能够原生生成音频的实时世界模型。不同场景可以包含环境声，人物也能围绕输入和场景事件进行实时对话。Google 表示，生成的音频和视频会带有 SynthID 水印，以帮助识别 AI 生成内容。

受邀测试者正在探索多类用途，包括电影场景预演、将历史照片转成可探索环境、在编写游戏引擎代码前试验风格和机制，以及为企业快速构造模拟情景。Google 还展示了 Gemini 4 Argon 拆解任务、Genie 4 渲染步骤的机器人研究示例。这些目前属于研究和合作伙伴试用，不代表相关场景已形成成熟产品能力。

开放计划与现阶段限制 ​

Google 称 Genie 4 目前以研究预览形式提供给可信测试者，收集反馈后计划先在 Project Genie 面向 Google AI Ultra 订阅用户开放，并向 Gemini API 和 Google AI Studio 的早期访问合作伙伴提供使用机会。具体时间、地区和资格应以 Genie 4 官方页面及 Project Genie 等候名单为准。

DeepMind 同时明确列出仍待解决的问题：运行时间较长、频繁修改提示词或在场景中移动时，视觉细节和物体持续性可能发生漂移；复杂物理互动、实时音频准确性、可读文字、空间精度和长期一致性仍需研究。官方没有公布确定的会话时长或完整性能规格，因此媒体中的具体描述应回到原始公告核对。

这项研究对世界模型意味着什么 ​

Genie 4 将实时可控场景、声音生成与智能体规划放在同一条模拟流程中，展示了世界模型从“生成画面”走向“响应行动”的研究方向。它可能帮助研究者和创作者更快构造可交互的试验场景，但可用范围仍受访问资格、模拟稳定性和现实准确度限制。

目前更适合把 Genie 4 看作早期研究预览。若后续开放体验，应重点观察任务是否可重复、场景是否保持稳定，以及生成结果能否满足实际工作流程；对于机器人训练或现实世界决策，仍需独立验证模拟与真实环境之间的差异。

来源 ​

个人独立维护的 Gemini 中文使用指南 · 非 Google 官方网站

Copyright © 2026