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

Google DeepMind 于周二在研究中预览版中发布了其最新的世界模型 Genie 4。该最新模型生成了迄今为止最逼真、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 的发布距离 AI 视频初创公司 Runway 发布其第二款世界模型 GWM Worlds 2 仅过去几个月，后者是一款可玩的模型，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，亚马逊正在洽谈收购 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 在大约一年多前以研究预览版的形式发布了其前代产品 Genie 3。除了更加逼真并具备音频功能外，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，是其前代产品的两倍，并提供更好的物理效果和更逼真的人物。 

正在加载播放器…

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帧，而 Genie 则负责创建视觉效果。在与 Gemini Robotics 相关的一项研究实验中，Gemini 4 Argon 模型将任务分解为多个步骤，由 Genie 4 实时模拟。该实验展示了一种在真实世界发生之前于模拟中测试机器人场景的可能方式。

“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 实时摄取这些内容并在不同抽象层次上模拟现实，两者相结合，”Google 研究总监 Tejas Kulkarni 在简报会上表示。 

与其他世界模型一样，所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，并与画中的主体就所描绘的事件进行交谈。

但“可信测试者”——即最先获得 Google 尖端产品访问权限的人——正指出一个可能的新用途：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方面变得最有价值，”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路要走。  

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、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。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，报道人工智能领域的商业、政策及新兴趋势。她的作品也曾发表于 Forbes、Bloomberg、The Atlantic、The Daily Beast 等刊物。

您可以通过发送邮件至 [email protected] 或通过 Signal 上的加密消息（rebeccabellan.491）联系 Rebecca 或核实其联系信息。

查看简介