谷歌发布 Genie 4：实时交互世界模型，原生生成音视频

Google DeepMind 发布 Genie 4，这是新一代交互式世界模型，能以实时方式生成可交互的虚拟环境。Genie 4 原生支持音频生成——每个模拟世界都带有自己的环境音、音乐和交互式对话，所有声音都由模型直接生成。Gemini Omni 负责将模拟锚定在真实世界的外观与行为上，其他 Gemini 模型提供维持模拟连贯性所需的复杂推理。

Genie 4 的四大进步：① 实时自然语言修改场景（改变天气、移动摄像机、引入新人物或物体，Gemini 会自动适配上下文）；② 物理与人物动作 realism 大幅提升（模拟空气动力学、碰撞等物理场景，人物移动自然、可交互引导）；③ 原生音频生成（环境音、音乐、交互式对话，全部实时生成）；④ Gemini 作为引导代理（Gemini 3.8 Flash 持续观察场景、拆解目标、验证步骤，解锁可靠因果链与多步推理）。官方称 Genie 4 是迈向 AGI 的关键一步，可用于机器人/智能体训练环境、游戏原型、电影预可视化等。

Genie 4 目前以研究预览形式向可信测试者开放，即将向 Google AI Ultra 订阅用户和 Gemini API/Google AI Studio 早期合作伙伴推出。官方承认当前局限：长时间模拟中视觉细节和物体持久性可能漂移，复杂物理交互、实时音频准确性、文本渲染、空间准确性等仍是活跃研究方向。所有生成的视频和音频都嵌入 SynthID 水印。

原文链接：Google DeepMind 官方博客