谷歌 DeepMind 发布 Genie 4：原生生成音频、支持实时对话的通用世界模型问世

谷歌 DeepMind 刚刚正式发布了新一代通用世界模型 Genie 4。作为目前最具逼真度和互动性的 AI 世界模型，它实现了从生成静态视频到实时运行可交互宇宙的跨越，用户仅需一条提示词即可创造出拥有声音、人物及独立思考能力的动态环境。

Genie 4 系列首次原生支持声音与即兴对话生成，能够同步产出环境音与配乐，并让角色根据突发状况进行实时交谈。其单次连贯世界的维持时间约为两分钟，画面交互帧率稳定在约 24 帧/秒，显著提升了长时段叙事的流畅度。

该模型依托 Gemini Omni 锚定现实常识，大幅重塑了人类与刚体物理的模拟效果。人物微表情、镜面反射及物理碰撞细节全面升级。同时，Genie 3.8 Flash 负责后台画面导演调度，Gemini 4 Argon 则拆解精细动作指挥机器人操作，三者共同组成「混合世界模型」架构。

在功能展示中，Genie 4 展现了极强的实时改写能力。无论是改变天气、移动镜头，还是引入全新的人物与物体，系统均能根据用户指令即时调整场景。实测显示，单帧延迟稳定在 23.4 至 25.3 FPS 之间，能够流畅处理如巨龙掠空或外星触手砸落等复杂动态。

针对此前世界模型存在的「无声」短板，Genie 4 彻底告别了蜡像馆式的体验。它能够模拟真实的环境声效以及角色间的实时互动对话。测试案例显示，角色不仅会根据事件做出反应，其动作细节如脚步声与光影反射均能随物理引擎实时演算。

为了修复纯像素预测缺乏长程逻辑规划的缺陷，Genie 4 采用了三大 Gemini 模型联手的混合架构。Google DeepMind 表示，这一改进赋予了系统全新的推理层面，使其能够模拟复杂的多步骤事件，并为未来通用 Agent 与机器人的无限试错测试提供坚实的平行宇宙基础。