谷歌DeepMind发布Genie 4：实时世界模型首次原生生成音频

谷歌DeepMind已向受信任的测试者推出Genie 4研究预览版。该世界模型可依据文本与图像提示实时生成可探索的交互环境，并同步生成环境音、音乐与角色对话等声景；用户可用键盘移动，并以自然语言提示引导事件。架构上的更大变化是，Gemini模型现作为规划器运行在仿真循环内部，这一模式对构建智能体或机器人训练环境具有参考价值。Genie 4仅在谷歌托管环境中运行，包括Project Genie网页应用与Gemini API早期访问。据TechCrunch简报，场景一致性可达约两分钟，约为Genie 3的两倍；会话通常仅持续数分钟，反复修改提示后物体可能漂移。Genie 4按帧模拟交互环境，并非视频片段生成器，每一帧都会响应当前用户输入。DeepMind称该模型原生多模态，视觉与音频一并生成，是其首个可原生生成音频的实时世界模型。它接替于2025年8月公布的Genie 3；Genie 3以720p、每秒24帧运行，视觉记忆约为一分钟。