Google DeepMind 发布 Genie 4：实时生成音效与对话的交互式世界模型

一句话看懂：Google DeepMind 发布实验性世界模型 Genie 4，能逐帧实时计算交互场景，并首次直接生成匹配的背景音效和角色对话，由 Gemini 模型在后台规划事件走向。

事件核心：发生了什么

2026 年 10 月 27 日，Google DeepMind 公布 Genie 4，这是 2025 年 8 月亮相的 Genie 3 的后续版本。与输出成品视频不同，Genie 4 按帧实时计算场景，用户可用键盘在场景中移动，并通过文本提示词改变事件。DeepMind 称其为首个直接生成声音的实时世界模型：每个世界带有独立背景音，角色之间可以对话，并对用户输入或事件做出反应。

Genie 4 建立在视频模型 Gemini Omni 的能力之上，另有 Gemini 模型负责后台规划。以多步骤任务为例，Gemini 3.8 Flash 持续观察场景，把目标拆成步骤，用新帧检查每步是否完成，并在世界变化或用户介入时调整计划。DeepMind 还在测试用 Gemini 4 Argon 把 Genie 与机器人研究 Gemini Robotics 连接，演示中由文本指令驱动仿真人形机器人 Apollo 下跳棋。目前 Genie 4 仍是研究预览，仅对部分测试者开放，之后将登陆 Project Genie 网页应用，面向 Google AI Ultra 订阅者，以及可早期访问 Gemini API 和 Google AI Studio 的合作方。

为什么重要

Genie 4 展示的是“语言模型负责推理与规划、世界模型负责像素级仿真”的组合路线。DeepMind 将其视为通往混合世界模型的早期一步，这类模型一旦成熟，可为机器人和 AI 智能体提供模拟训练环境，让它们从仿真经验中学习，而不只依赖静态数据。对 Google 而言，这同时把 Gemini 的规划能力和 Genie 的交互生成能力绑在同一生态里，强化了闭源模型栈的差异化。

对用户/开发者/创作者的影响

创作者短期内能体验的仍是可交互场景生成，而非可直接生产的完整内容工具。开发者更值得关注的是 Gemini API 与 Google AI Studio 的早期访问通道，它决定 Genie 能否被集成进 AI 应用。DeepMind 也明确当前局限：长会话中视觉细节会漂移，物体不总能持续存在，复杂物理交互、准确的实时音效和可读文本仍在研究中。所有视频和音轨都会嵌入 SynthID 水印，便于识别 AI 生成内容。