mylogs.cn

谷歌 Genie 4 发布：一句话造可交互虚拟世界，音视频同步生成

2026 年 10 月 28 日

发布于

谷歌亮出最新世界模型

谷歌 DeepMind 于本周二发布了新一代世界模型 Genie 4，目前以研究预览形式开放。这是该系列首个能够同步生成画面与声音的产品：用户在模拟过程中输入提示词改变场景的同时，模型会实时生成与之匹配的环境音、音乐，以及与虚拟人物互动的对话。

能维持两分钟连贯场景

相比一年多前发布的 Genie 3，Genie 4 在多个方面明显提升：画面拟真度大幅提高，并首次加入音频能力；支持自由形式的实时编辑，比如调整天气、改变镜头角度，或往场景里添加新人物、新物体。它最长可以维持两分钟连贯不变的场景，时长达到前代的两倍，物理效果表现更好，虚拟人物也更接近真人。

Gemini 当”导演”，Genie 负责生成画面

Genie 4 与谷歌的大模型 Gemini 深度整合：Gemini 扮演”导演”角色，负责规划步骤、校验画面帧；Genie 4 则负责生成视觉内容。在一项与 Gemini 机器人项目相关的实验中，Gemini 4 Argon 模型先把任务拆解成多个步骤，再由 Genie 4 进行实时仿真。据知情报道，Genie 4 的实时交互体验实际运行在更轻量级的 Gemini 3.8 Flash 模型上——这说明实时世界模拟不仅依赖画面生成质量，还需要模型以较低延迟持续理解场景、规划行动并响应用户。

落地场景与行业整合

Genie 4 主推的商业化方向包括游戏、交互式学习与机器人仿真。一个设想中的交互式学习案例是：用户走进一幅描绘历史场景的画作，与画中人物交流画里记载的事件。可信测试者则发现了新用途——电影原型制作，在创意构思和分镜阶段快速迸发想法。

与此同时，世界模型赛道正在出现整合：李飞飞创立的 World Labs 被 AMD 收购，亚马逊正在洽谈收购 Decart，Rivian 则收购了 Third Dimension 以搭建内部自动驾驶仿真能力。就在 Genie 4 发布前几个月，AI 视频公司 Runway 也推出了第二款世界模型 GWM Worlds 2。