Google DeepMind发布Genie 4世界模型，支持实时音频与场景编辑

Genie 4发布正值世界模型行业整合加速。AI视频初创公司Runway两个月前刚推出第二代世界模型GWM Worlds 2，支持动态响应和音频生成。与此同时，李飞飞的World Labs正被AMD收购，亚马逊洽谈买下Decart，Rivian则收购Third Dimension用于自动驾驶仿真测试。Google此举意在激烈竞争中保持领先。

与前代Genie 3相比，Genie 4在真实感和音频之外，支持自由编辑，例如实时更改天气或摄像机角度、添加新人物或物体。它可维持一致场景长达两分钟，是前代的两倍，物理效果更佳，角色也更接近真人。

Gemini AI模型与Genie 4的集成更紧密，扮演导演角色，负责规划步骤和检查帧，而Genie则生成视觉内容。在一项与Gemini Robotics相关的实验中，Gemini 4 Argon模型将任务分解为步骤，由Genie 4实时模拟，展示了在真实世界前测试机器人场景的可能性。Google研究总监Tejas Kulkarni表示，未来将出现混合世界模型，Gemini编写代码和文本，Genie实时接收并模拟现实。

早期测试者发现电影原型制作可能是新用例。Google DeepMind工程师Diego Rivas指出，实时特性在创意构思和故事板阶段价值最大。Google同时提供AI视频生成模型Veo，已受电影制作者欢迎，未来用户或可借助Gemini Omni将原型转化为创意资产，但该能力仍远未成熟。团队承认Genie 4仍有短板：模拟运行越久，细节和物体越容易漂移，音频准确性和世界内文本可读性也待解决。

Genie 4现已向可信测试者开放研究预览，未来几周将向Google AI Ultra订阅者及Gemini API和AI Studio的早期合作伙伴推送。