Google DeepMind 发布 Genie 4 世界模型研究预览版，新增音频与实时编辑

Google DeepMind 于周二以研究预览形式发布了其最新的世界模型 Genie 4。该模型生成了迄今最逼真、最具交互性的世界，允许用户在模拟过程中输入提示词来改变场景。该模型还能生成与模拟世界相匹配的实时音频，包括音乐、环境噪音和交互式对话。

Genie 4 的发布距 AI 视频初创公司 Runway 发布其第二个世界模型 GWM Worlds 2 仅几个月，后者是一个可玩模型，能动态响应用户输入并包含音频生成。与此同时，世界模型行业也开始整合。李飞飞的 World Labs 正被 AMD 收购，亚马逊正在洽谈收购 Decart，而 Rivian 刚刚收购了 Third Dimension，以将仿真能力引入内部用于自动驾驶测试。 

Genie 4 是 Google 在这个拥挤领域中保持领先地位的最新举措。 

Google 在一年多前以研究预览形式发布了其前代模型 Genie 3。除了逼真度大幅提升并带有音频外，Genie 4 还支持自由编辑，例如实时更改天气或摄像机角度，或添加新的人物或物体。它可以将场景的一致性维持长达两分钟，是前代模型上限的两倍，并提供更好的物理效果和更像真实人类的角色。 

Google 的 AI 模型 Gemini 也与 Genie 4 实现了更紧密的集成，充当导演的角色，在 Genie 创建视觉内容的同时规划步骤并检查帧。在与 Gemini Robotics 相关的一项研究实验中，一个 Gemini 4 Argon 模型将任务分解为步骤，由 Genie 4 实时模拟。该实验展示了在真实世界发生之前在模拟中测试机器人场景的一种可能方式。

“未来我们会越来越多地看到这类混合世界模型，即由 Gemini 编写代码和文本，Genie 实时摄取这些内容并在不同抽象层次上模拟现实，”Google 研究总监 Tejas Kulkarni 在一次简报会上表示。 

与其他世界模型一样，其宣传的商业用例包括游戏、交互式学习和机器人技术。交互式学习的一个推测性例子是进入一幅描绘历史场景的画作，与画中的人物就所描绘的事件进行交谈。

但“可信测试者”——那些最先获得 Google 前沿产品的人——指出了一个可能的新用途：电影原型制作。

“实时性在那些保持创意心流状态极为有用的领域最具价值，”Google DeepMind 工程师 Diego Rivas 在一次媒体简报会上表示，“例如，在构思阶段、在分镜阶段——任何时候你需要快速构思的时候。”

Google 还提供 Veo，这是其 AI 视频生成模型，可根据文本、图像或视频提示生成带有内置同步音频的高清短片——该工具在电影制作人中日益流行。 

Rivas 补充说，用户最终可以依靠 Gemini Omni——一个能够从图像、音频和文本生成视频的多模态大语言模型——将这些原型转化为创意资产。不过他表示，这些能力仍需一段时间才能实现。  

Rivas 在整场简报中强调，Genie 4 仍处于早期阶段，最终的端到端产品体验会是什么样尚不明朗。团队也承认 Genie 4 仍有不足：模拟运行时间越长，细节和物体就可能出现漂移，而且他们尚未完全解决如何确保音频准确、世界中文字清晰可读的问题。 

Genie 4 现已作为研究预览版面向可信测试者开放。未来几周内，该模型将向 Google AI Ultra 订阅用户推出，集成在 Project Genie 中——这是 Google 用于从文本或图像提示生成交互世界的 AI 工具——同时也将向 Gemini API 和 Google AI Studio 的早期体验合作伙伴开放。

当您通过我们文章中的链接购买时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。

Rebecca Bellan 是 TechCrunch 的高级记者，报道影响人工智能行业的商业、政策和新兴趋势。她的作品也曾发表于 Forbes、Bloomberg、The Atlantic、The Daily Beast 等媒体。

你可以通过发送电子邮件至 [email protected]，或通过 Signal 上的加密消息 rebeccabellan.491 联系 Rebecca，或核实来自她的联系。

查看简介