Google DeepMind 发布世界模型 Genie 4，支持实时交互与音频生成
Genie 4 把视频生成变成了可实时操控、可语音修改、带音频的世界模拟，并用 Gemini 承担逻辑规划，指向游戏原型、影视预演和机器人训练场景。
Google DeepMind 发布第四代世界模型 Genie 4，能实时生成可交互的虚拟环境：用户用键盘控制角色或镜头，用自然语言指令改变天气、添加物体，声音（环境音、音乐、对话）与画面同步生成。Gemini 模型负责理解任务并规划事件，Genie 4 负责呈现画面。目前仅向受信任测试者开放研究预览。
正文摘录
时隔一年多，谷歌 DeepMind 的 Genie 世界模型系列终于迎来了第 4 代。 刚刚，谷歌 DeepMind 正式官宣最新一代世界模型 Genie 4，称其为「迄今为止最逼真、交互性最强的世界模型」。  与此前只能观看的 AI 视频不同，Genie 4 能够实时生成动态环境，用户不仅可以通过键盘控制角色或镜头在其中移动，还能随时输入自然语言，改变天气、添加物体、引入新角色，观察整个场景如何随之变化。 更重要的是，这个世界现在有了声音。[](https://mp.weixin.qq.com/s/Mgq3W7PFVuvUlgd4bcKuNA) 从风吹过树林、海浪拍打沙滩，到人物之间的交谈，Genie 4 能够在生成画面的同时，实时生成对应音频，虚拟人物不仅能够移动，还能对周围环境和用户输入作出反应。 与此同时，谷歌首次将 Gemini 系列模型更深入地引入世界模拟过程：大语言模型负责理解任务、规划事件和维护场景逻辑，Genie 4 负责实时呈现动态世界。 这意味着，谷歌正在尝试解决一个比生成逼真视频更加复杂的问题：如何让 AI 生成一个能够持续运转、响应外部干预，并尽可能遵循因果逻辑的世界。