Genie 4：实时世界模拟，音频与对话生成

1. 同时生成场景、声音与对话的世界

Genie 4 不仅生成画面，还会与场景同步生成环境音和人物话语。它会添加林间风声或海边波涛等符合地点的声音，角色则会回应用户输入或世界中的事件，继续对话。谷歌 DeepMind 将其介绍为原生支持实时声音生成的世界模型。

用户可通过标准键盘控制移动和摄像机，并用文本指示场景变化。用户可以改变天气，或让新的人物与物体出现，模型则会调整场景进程，使场景在两次输入之间持续发展。公开的提示词示例如下。

Prompt: A macro close up of a maple seed falling from the tree into the grass

据谷歌 DeepMind 介绍，Gemini Omni 以现实世界的外观和行为作为模拟基准，其他 Gemini 模型则提供推理能力，维持场景的一致性与连续性。公司强调的功能包括实时操控、逼真的物理效果与人物动作、声音与对话，以及多阶段事件模拟。

2. 实时操控物理效果与人物动作

公司表示，模型能够处理空气动力学这一研究空气流动与力的领域，以及碰撞等物理情境，并呈现人物对环境作出反应时的自然动作。用户可以在观察场景的同时移动摄像机，或添加人物和物体。公开示例包括 1980 年代日本拥挤的火车站，以及从树上飘落的枫树种子。

处理复杂目标时，Gemini 模型会作为操控智能体参与，即代为执行目标的软件。据公司介绍，Gemini 3.8 Flash 会观察正在生成的场景，将目标拆分为多个步骤，再查看传入画面，确认各步骤的进展。当用户介入或世界发生变化时，它也会实时修改计划。

在机器人相关实验中，Gemini 4 Argon 会将用户的任务指令拆分为多个步骤，再以文本描述传递给 Genie 4。谷歌 DeepMind 展示了 Apptronik 的 Apollo 人形机器人下西洋跳棋的模拟案例。这与构建练习环境的方向相契合，让机器人和智能体在应用于现实之前演练多种情境。

3. 加快创作与开发的早期试验

可信测试者包括创作、新闻、教育、游戏和工程领域的参与者。电影制作人可以改变场景的机位、照明、台词与动作，进行多种尝试；摄影记者则在测试将纪实照片扩展为环境模拟的方式。游戏开发者可在编写作为游戏运行基础程序的引擎代码之前，将创意制作成可探索的原型；企业合作伙伴则在考察其用于情境生成的可能性。

这种方式的优势是减少场景创建与修改的反复，将创意转化为可体验的模拟。但模拟时间变长，或多次复杂修改提示词时，视觉细节和物体的持续存在可能发生变化。复杂物理交互、实时音频准确性、可读文字、空间准确性，即位置和距离表达的精度，以及长期一致性，即场景随时间保持稳定的程度，仍在研究中。

4. 从可信测试者开始的预览

谷歌 DeepMind 已向可信测试者开放 Genie 4 研究预览版，计划在扩大至消费者和开发者之前收集反馈。公司表示，下一批开放对象是 Project Genie 的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴。Project Genie 也设有候补名单。

公司表示，已提前开展内部安全评估，并采用符合安全政策的防护措施。所有生成的视频和音频都会加入 SynthID 水印，这是一种帮助识别 AI 生成内容、确认内容来源的标记。公司提出的未来方向是混合世界模型，将语言模型与代码的逻辑推理同像素级模拟的感官表达结合起来。

Genie 4 的核心价值在于让画面、声音与交互能够一并测试，而提升长时间模拟的一致性是下一项课题。