谷歌发布 Genie 4 世界模型：支持实时音视频与场景编辑，连贯仿真延长至两分钟

据 IT之家 10 月 28 日报道，谷歌 DeepMind 推出新一代世界模型 Genie 4，目前处于研究预览阶段。它能够根据提示生成可交互虚拟环境，并在运行过程中接受指令修改场景。相较前代，新模型提升了画面拟真度，加入与虚拟世界同步的实时音频，覆盖音乐、环境音和交互式对话，最长可维持两分钟的连贯场景。

从生成画面，走向可持续修改的世界

Genie 4 的重点不只是让生成结果更逼真，而是让用户持续参与其中。来源显示，用户可以实时调整天气、改变镜头角度，或向场景中加入人物和物体。模型的物理效果与虚拟人物表现也有所改善，连贯场景时长达到前代的两倍。

实时交互与同步音频的结合，意味着用户面对的不再只是一段播放完毕的视频，而是能够响应操作的模拟环境。不过，来源同时提到 Runway 此前推出的 GWM Worlds 2 已支持交互响应和音频生成，因此不宜将音频能力简单理解为整个世界模型领域的首次突破。

• 场景编辑：在仿真运行中，通过提示修改天气、视角、人物与物体。
• 音频生成：让音乐、环境声音和对话与虚拟世界同步呈现。
• 持续仿真：最长维持两分钟连贯场景，但更长时间运行仍面临稳定性问题。
• 模型协作：进一步结合 Gemini 的规划能力与 Genie 4 的视觉生成能力。

影响：为机器人验证和创意原型提供新工具

谷歌展示的一个方向，是让 Gemini 负责规划步骤、校验画面，再由 Genie 4 生成实时仿真。在与 Gemini 机器人项目有关的研究实验中，系统先拆解任务，再模拟执行过程。这展示了在真实机器人测试前先验证场景的可能路径，但还不能据此认定仿真结果能够完全替代现实测试。

游戏、交互式学习和机器人是其主要探索方向。例如，学习者可以进入历史画作所呈现的环境，与其中的人物交流。首批可信测试者还发现，实时生成适合用于电影创意构思和分镜原型：创作者可以边观察边调整，而不必每次都重新制作整段素材。

从工具定位看，Genie 4 更偏向可交互的构思与模拟空间；谷歌已有的 Veo 则面向视频生成。来源提到，未来可能借助 Gemini Omni 将原型素材转化为正式创作资产，但相关能力距离落地仍有一段距离。

研究预览仍有边界，开放将分批推进

两分钟连贯不等于可靠的物理仿真。团队承认，运行时间增加后，细节和物体更容易偏移；音频准确性以及虚拟场景中文字的清晰度，也尚未得到稳妥解决。对于机器人验证和需要精确呈现的创作任务，这些都是必须评估的限制。

据报道，Genie 4 已向可信测试者开放，未来几周将逐步覆盖谷歌 AI Ultra 订阅用户、Genie 项目，以及 Gemini API 和谷歌 AI Studio 的早期合作方。面对世界模型领域的竞争与整合，谷歌此次推进的核心，是把生成能力转化为可操作、可迭代的环境；其实际价值仍需由后续产品体验和可靠性验证。