DeepMind 发布 Genie 4：实时可交互的「世界模型」终于带上原生音频

公众号头条 · AI 一手资讯 · 2026.10.28

发生了什么

DeepMind 在官博《Genie 4: A new generation of world simulation》中宣布：Genie 4 是新一代世界模型，重点提升真实感与实时交互仿真能力。它「原生多模态」：在生成世界的同时，一并生成环境音、音乐类音频，以及可交互的人物对话。

模型底座明确挂上 Gemini 家族：Gemini Omni 负责把仿真锚定在真实外观与行为上，其他 Gemini 模型提供复杂推理，以维持场景连贯。用户可以「设定一个事件」，Genie 4 接着模拟世界如何响应、如何发声、人物如何移动、反应与说话。

官方表述把它放在 AGI 路线图上：理解并模拟世界，是构建 AGI 的关键一环；Genie 4 推进「安全、近乎无限可变」的仿真，用途从机器人与智能体训练环境，到新的交互体验创作。

可用性：已对受信任测试者开放研究预览；随后计划推向 Google AI Ultra 订阅用户的 Project Genie，以及 Gemini API / Google AI Studio 的早期合作方。可在 Project Genie 排队。

一手来源：DeepMind 官博；@GoogleDeepMind 原帖（约 247 万展示、19668 赞、2146 转发，数据截至调研时）。

四个能力跃迁（官方框架）

官博用四块能力概括 Genie 4，并配上「真实时交互录屏」：

1. 实时塑造世界

用自然语言在仿真进行中改写场景——改天气、挪相机、塞进新人物或物体；Gemini 会把提示语境化到当前场景。用户不输入时，Gemini 也会监控并推动场景连贯推进。导航与相机用标准键盘控制，文本提示负责「导演」。

2. 物理与人类动作的真实感

强调空气动力学、碰撞等物理场景，以及「人」：人物移动更自然、对环境有机响应，并可实时被交互引导。这是官博自称「最戏剧性的跃迁」之一。

3. 世界如何发声（首次原生实时音频）

Genie 4 是 DeepMind「第一个原生生成音频的实时世界模型」。每个世界自带环境音；更前沿的是人物语音——交互对话可随输入与事件即时适配。官博注明：演示片里的伴随声音均由 Genie 4 直接生成。

4. 与 Gemini 一起模拟复杂事件

Gemini 3.8 Flash 作为环中引导智能体：Genie 4 实时生成世界时，Gemini 持续观察画面、把目标拆成步骤、核对每步是否完成；世界变化或用户干预时即时改计划。文中还展示了与 Gemini 4 Argon、Gemini Robotics 的实验，例如让 Apptronik Apollo 人形在仿真里下跳棋——Argon 拆任务，Genie 用文本字幕实时渲染。

测试者怎么用、边界在哪

受信任测试者来自创意、新闻、教育、游戏、工程等。反馈方向包括：影视预演「草稿模式」、从一张档案照片展开可走的历史场景、游戏从想法到可探索原型、企业「零到一」情景生成。

DeepMind 同时列明局限：短会话尚可连贯，但长时间、多次复杂改写或大范围漫游后，视觉细节与物体持久性仍会漂移；复杂物理、实时音频精度、可读文字、空间精度与长期一致性仍是活跃研究方向。安全方面：与既有政策一致的护栏；SynthID 水印覆盖生成视频与音频；先测后放。

和「视频生成」差在哪

把 Genie 4 理解成「更好的文生视频」会丢重点。文生视频产品优化的是镜头与剪辑；Genie 4 官博反复强调的是：你在场景里用键盘走动、用文本改天气和机位，人物会动、会反应、会说话，环境音与对白和画面一起生成。控制环里还有 Gemini 在拆任务、验步骤——更接近「可玩的仿真引擎 + 通用模型导演」，而不是一条时间线上的渲染队列。

这也解释了为什么游戏股与互动娱乐叙事会被财经媒体点名（Bloomberg 等有跟进）：一旦「从提示词到可探索原型」变短，内容生产与训练数据合成的分工都会动。当然，预览期的漂移与物理漏洞意味着，现在更适合当概念验证与预演工具，而不是生产引擎的替代品。

为什么中文读者要盯这条

过去一年「视频生成」竞争激烈，但多数产品仍是剪辑向的片段生成。Genie 4 把叙事压在「可进入、可改写、可听可说」的实时仿真上，并公开把 Gemini 嵌进控制环——这是 Google 在「世界模型 × 通用模型」上的一次产品化表态。

对做内容与产品的人：预览期不等于立刻能商用；但官博已经点名影视预演、沉浸式新闻、游戏原型、机器人仿真。对资本市场与硬件链：交互仿真一旦吃算力，会继续拉动训练与推理需求——今晚还有微软与 Alphabet 盘后财报，可交叉看云与 AI 资本开支表态。

对比国内节奏：截至本调研，量子位、机器之心等对 Genie 4 的系统长文未见（以检索为准）；X 与 HN 已是第一现场。抢在二手汇总前把能力边界与可用路径讲清楚，比复读「又一个视频模型」更有用。

和今天其他大事怎么排

同窗口还有 Artificial Analysis Index v5、ChatGPT Pro 额度调整、Anthropic 制药官博等。Genie 4 以实验室官号近 200 万展示居 X 热度前列，且直接定义「下一类交互」，故作头条；评测榜与 Pro 额度分别作次条与调研重点。