谷歌DeepMind推出Genie 4：具备实时音频的交互式世界模型

谷歌DeepMind于周二发布了Genie 4，并立即向受信任的测试者开放；该公司预计在未来几周内，将通过Project Genie向Google AI Ultra订阅用户，以及向Gemini API和Google AI Studio的早期访问合作伙伴更广泛地推出该模型。Genie 4是一款世界模型——它可以根据文本或图像提示生成交互式虚拟环境——相较前代产品，在三个关键方面实现了重大升级。首先，它可以生成原生同步音频：音乐、环境音效以及角色的反应式对白都会与模拟世界同步实时呈现。其次，它将前代产品的场景一致性上限提高了一倍，可在长达两分钟的时间里保持物理规律和物体位置的连贯一致。第三，用户可以在模拟运行过程中通过输入提示来实时引导模拟——例如改变天气、调整摄像机角度或添加物体——使体验真正具备交互性，而不只是一次性生成。Genie 4与谷歌的人工智能模型Gemini紧密集成，Gemini扮演“导演”的角色，负责规划步骤并检查画面，而Genie则负责生成视觉内容。在一项相关的机器人实验中，一个Gemini 4 Argon模型将任务拆解为若干步骤，并由Genie 4实时进行模拟，这为在真实世界部署之前以虚拟方式测试机器人场景提供了可能。该团队提及的潜在应用包括游戏原型设计、机器人仿真、电影分镜脚本制作以及交互式学习。目前存在的局限性包括：在较长时间的模拟中，细节有时会出现漂移；此外，在确保音频准确性以及世界内文字可读性方面仍存在挑战。