Google DeepMind发布Genie 4世界模型研究预览：加入实时音频与中途文字指令
Genie 4于周二以研究预览形式向“可信测试者”开放，可生成与场景匹配的音乐、环境音和交互对话，并支持在模拟过程中输入文字改天气、换机位或添人物；场景一致性最长维持两分钟，为前代的两倍。
Google DeepMind周二发布世界模型Genie 4的研究预览版，首批提供给“可信测试者”。Google称该模型生成的场景比前代更逼真、交互性更强，并能实时生成与场景匹配的音频。
用户可以在模拟进行中用文字提示修改场景，例如改变天气、调整机位角度、添加新人物或物体。Google称Genie 4的场景一致性最长可维持两分钟，是Genie 3的两倍，物理表现和人物拟真度也有所提升。
音频与Gemini的分工
Genie 4可实时生成音乐、环境噪音和交互对话。Google表示，Gemini与Genie 4的集成更紧密：Gemini充当“导演”，负责规划步骤并检查画面，Genie负责生成视觉内容。
Google研究总监Tejas Kulkarni在简报会上说，未来会越来越多地看到“混合世界模型”，即Gemini编写代码和文本、Genie实时接收并模拟不同抽象层级的现实。
Google称，在一项与Gemini Robotics相关的研究实验中，Gemini 4 Argon模型将任务拆解为步骤，由Genie 4实时模拟。Google称这展示了在现实执行前先在模拟中测试机器人场景的一种可能路径。
测试者反馈的问题与下一步开放范围
Google工程人员Diego Rivas在简报会上说，实时性在需要保持创作心流的环节最有价值，例如构思和分镜阶段。他同时强调Genie 4仍处早期，端到端的产品体验会是什么样尚不清楚。
团队承认模型仍有缺口：模拟运行时间越长，细节和物体越容易漂移；如何确保音频准确、场景内文字清晰可读，也尚未完全解决。
按Google的计划，Genie 4在研究预览之后，将在未来几周向Google AI Ultra订阅者开放（通过Project Genie），并向Gemini API与Google AI Studio的早期访问伙伴开放。