Google DeepMind 发布世界模型 Genie 4，新增音频与实时操控

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。这款最新模型能生成迄今最逼真、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匹配的实时音频，包括音乐、环境噪音和交互式对话。

Genie 4 发布前几个月，AI 视频初创公司 Runway 刚推出了其第二款世界模型 GWM Worlds 2，这是一款可玩模型，能动态响应用户输入并包含音频生成功能。与此同时，世界模型行业正开始整合。李飞飞的 World Labs 正被 AMD 收购，亚马逊正洽谈收购 Decart，而 Rivian 刚刚收购了 Third Dimension，以将模拟能力引入内部用于自动驾驶测试。 

Genie 4 是 Google 在拥挤的领域中保持领先的最新举措。 

Google 在一年多前以研究预览形式发布了其前代产品 Genie 3。除了逼真程度大幅提升并具备音频功能外，Genie 4 还支持自由形式的编辑，例如实时改变天气或摄像机角度，或添加新的人物或物体。它可以将一致的场景维持长达两分钟，是前代上限的两倍，并提供更好的物理效果和更逼真的人物。 

Google 的 AI 模型 Gemini 也与 Genie 4 更紧密地集成，充当导演角色，负责规划步骤并检查画面，而 Genie 负责生成视觉内容。在一项与 Gemini Robotics 相关的研究实验中，Gemini 4 Argon 模型将任务分解为多个步骤，由 Genie 4 实时模拟。该实验展示了一种可能的方式，即在真实世界发生之前，在模拟中测试机器人场景。

“我们未来会越来越多地看到这些混合世界模型，即 Gemini 编写代码和文本，而 Genie 实时接收这些内容，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示例是，进入一幅历史场景的画作，并与画中人物就所描绘的事件进行交谈。

但“可信测试者”——即最先获得 Google 前沿产品访问权限的人——正指出一种可能的新用途：电影原型制作。

“实时性在创意领域保持心流状态极为有用的地方最有价值，”Google DeepMind 工程师 Diego Rivas 在新闻简报会上表示。“例如，在构思阶段、在故事板阶段——任何时候你需要快速构思。”

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片段——这一工具在电影制作人中越来越受欢迎。 

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，这些能力仍有一段距离。  

在整个简报过程中，Rivas 强调 Genie 4 仍处于早期阶段，目前尚不清楚端到端的产品体验会是什么样。团队也承认 Genie 4 仍存在不足：模拟运行时间越长，细节和物体越容易发生漂移，而且他们仍未完全弄清楚如何确保音频准确、以及世界内的文字清晰可读。 

Genie 4 现已作为研究预览版向受信任的测试者开放。在未来几周内，该模型将向 Project Genie 的 Google AI Ultra 订阅用户推出——Project Genie 是 Google 的 AI 工具，可根据文本或图像提示生成交互式世界——同时还将向 Gemini API 和 Google AI Studio 的早期访问合作伙伴开放。

当您通过我们文章中的链接进行购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。

Rebecca Bellan 是 TechCrunch 的高级记者，负责报道塑造人工智能的商业、政策及新兴趋势。她的作品也曾发表于 Forbes、Bloomberg、The Atlantic、The Daily Beast 及其他刊物。

您可以通过发送邮件至 [email protected] 联系 Rebecca 或核实其联系请求，也可通过 Signal 上的加密消息联系 rebeccabellan.491。

查看简介