DeepMind 发布 Genie 4：实时世界模拟并原生生成声音与对话
Google DeepMind 宣布 Genie 4，称其为提升真实感的实时交互世界模型，可同步生成环境音、音乐与角色对话，并由 Gemini 系列在环维持场景连贯。现以研究预览向受信测试者开放，随后拟面向 Google AI Ultra（Project Genie）与 Gemini API / AI Studio 早期伙伴。厂商承认长会话中视觉细节与物体持久性仍会漂移。
Google DeepMind 于 2026 年 10 月 27 日宣布 Genie 4，称其为新一代世界模型，提升实时交互模拟的真实感。官方称 Genie 4 原生多模态，可与场景同步生成类音频（音乐、环境声）及可交互对话；模型融合 Gemini 能力：Gemini Omni 锚定真实世界外观与行为，其他 Gemini 模型提供复杂推理以维持模拟连贯与连续性。用户可用自然语言在运行中改天气、运镜或引入人物物体，间隙由 Gemini 监控并引导场景推进。
能力上，官方强调物理与人物动作真实感、原生音频（含即时对话），以及用 Gemini 建模多步事件。文中称 Gemini 3.8 Flash 作为在环引导智能体：持续观察画面、把目标拆成步骤并据新帧核验；用户干预时即时改计划。DeepMind 还展示与 Gemini 4 Argon、Gemini Robotics 结合的实验：由 Argon 拆解任务并以文本字幕实时驱动 Genie 4，模拟 Apptronik 人形机器人 Apollo 下跳棋，无需真实机器人。
可用性：官方称已开始向受信测试者滚动研究预览以收集反馈，之后再向消费者与开发者开放，首批面向 Project Genie 中的 Google AI Ultra 订阅者，以及 Gemini API 与 Google AI Studio 的早期访问伙伴，并提供 Project Genie 候补名单入口。安全方面称设有与其他模型一致的护栏，并先内部安全评测、优先部署给受信测试者。局限（官方自述）：仍属早期实验；短会话可保持连贯，但长时间运行、多次复杂改提示或场景漫游时，视觉细节与物体持久性仍可能漂移；复杂物理、实时音频精度、可读文字、空间精度与长期一致性仍在研究中。
来源
- Genie 4: A new generation of world simulation — Google DeepMind
- Google Deepmind's Genie 4 puts a modern spin on agent designs that predate LLMs — The Decoder