谷歌Genie 4发布，实时世界开口说话了

过去两年，AI 视频的竞争一直停留在"谁做得更像真的"。

Genie 4 把问题换成了另一个：生成的世界，能不能被实时进入、实时修改、持续运转？我认为这比画质提升更值得关注——内容生产的门槛，正在从"制作"转向"指挥"。

就在刚刚，谷歌 DeepMind 正式发布第四代世界模型 Genie 4，官方称其为迄今为止最逼真、交互性最强的世界模型。

与此前只能观看的 AI 视频不同，Genie 4 能够实时生成动态环境。用户不仅可以通过键盘控制角色或镜头在其中移动，还能随时输入自然语言，改变天气、添加物体、引入新角色，观察整个场景如何随之变化。

更重要的是，这个世界现在有了声音——从风吹过树林、海浪拍打沙滩，到人物之间的交谈，Genie 4 能够在生成画面的同时，实时生成对应音频。

四大能力：可实时修改的世界、物理模拟、原生音频与人物对话

根据官方介绍，Genie 4 主要实现了四个方面的能力提升：更逼真的视觉和物理模拟、更自然的人物动作、原生实时音频，以及由 Gemini 支持的复杂事件推理。

最直观的变化是，用户不只是进入一个生成好的世界，还能在探索过程中实时改变它。

在官方演示中，一名男子站在湖面中央的悬浮平台上演奏萨克斯，周围的森林被薄雾笼罩。用户可以通过键盘独立移动镜头，从不同角度观察场景；也可以直接输入自然语言指令，调整天气、移动镜头，或者加入新的人物和物体。Gemini 会结合当前场景理解这些要求，并引导模拟继续运行——用户不需要重新生成整个场景，就能在一个持续运行的虚拟世界中不断修改内容。

图 1｜用户在虚拟世界中实时修改场景：从雾天到晴天，从一人到两人

物理模拟方面，Genie 4 改进了对空气动力学、碰撞等现象的模拟：一颗枫树种子从空中落下时，受空气阻力影响，在空中旋转、飘落。人物动作的自然程度也有提升，角色能根据周围环境作出反应。

音频是这次最重的升级。Genie 4 是 Google 首个原生生成实时音频的世界模型，支持环境音、音乐，以及随场景变化实时调整的人物对话。一段第一人称演示中，用户骑着一条黑龙以每小时 140 公里的速度穿越群山，耳边是翅膀拍打、高空风声和远处的轰鸣——这些声音不是后期音效，而是随视觉场景一起生成。场景中的人物还能根据用户输入或正在发生的事件作出回应，展开实时对话。

Gemini 思考、Genie 生成：混合世界模型架构

画面、物理和音频让世界更像现实；Gemini 的加入，让这个世界开始拥有事件发展的逻辑。

按 Google 的介绍，Genie 4 融合了 Gemini 系列模型的能力：Gemini Omni 为模拟提供真实世界的视觉与行为知识，Gemini 3.8 Flash 在实时生成中承担引导——持续观察画面，把目标拆成步骤，检查每一步是否完成，环境变化时调整后续计划。模型因此不只是生成下一帧，还能围绕一个具体目标，组织有连续性的复杂事件。

Google 还展示了一项机器人模拟：Gemini 4 Argon 与 Genie 4 合作，模拟 Apptronik Apollo 人形机器人下国际跳棋。Gemini 4 Argon 把用户要求拆解成步骤，再通过实时文本指令引导 Genie 4 生成相应场景，模拟过程随任务推进不断变化。

这一方向被 Google 称为混合世界模型（Hybrid World Models）：Gemini 负责逻辑推理、任务规划和事件组织，Genie 负责生成视觉、声音和动态反馈。两者结合，虚拟环境有望获得更好的连贯性和可控性。

图 2｜混合世界模型架构：Gemini负责推理与规划，Genie负责视觉与音频生成

落地路径：影视预演、游戏原型、工业模拟与机器人训练

这项技术的价值不止于一个有趣的虚拟世界。Google 称，早期测试者已在探索影视预演、历史场景重建、游戏原型制作和工业模拟等方向。

电影制作人员可以进入生成的场景，实时调整镜头、灯光、台词和人物动作；游戏开发者可以在写引擎代码之前，用自然语言快速体验一个可探索的原型。更长远的目标，是用这些可控的虚拟环境为机器人和 Agent 提供训练与测试场景——进入真实世界之前，先在模拟里试执行复杂任务。

目前 Genie 4 向部分受信任的测试者开放研究预览，后续经 Project Genie 向 Google AI Ultra 用户提供，并向 Gemini API、Google AI Studio 的早期合作伙伴开放。普通用户暂时还摸不到。

技术短板与社区争议

演示足够惊艳，但 Google DeepMind 在官方博客中明确承认：这仍是一项早期研究成果。

短板清单是官方自己列的：长时间运行后，视觉细节和物体的持续存在性可能漂移，场景经历多次复杂修改或长时间探索时更明显；复杂物理交互、实时音频的准确性、清晰可辨的文本渲染、空间精度，都是接下来要啃的骨头。官方同时表示，生成的视频和音频都会带上 SynthID 数字水印。

社区的反应则分成三层。

第一层是兴奋。Reddit 上有人设想："如果把这项技术用在增强现实里，我们基本上就有了一个全息甲板的原型。"也有人联想到大卫·福斯特·华莱士的《无尽的玩笑》，担忧一个为你量身优化、逼真到足以俘获全部注意力的数字世界。更偏技术的讨论认为，大语言模型的推理能力加上世界模型学到的物理动态，AI 就能先在虚拟环境里试错、再应对现实——这是通往 AGI 的一条看得见的支线。

图 3｜海外社区热议：有网友认为这项技术用在增强现实中，就是全息甲板的原型

第二层是挑刺。有网友说，相比官方精选的演示片段，他更想看到一个普通人在 YouTube 直播用 Genie 4、接受观众随机要求的场面。还有玩家注意到一个细节：Genie 3 当年展示过直接控制角色，Genie 4 的部分视频里，角色运动更像是模型自主决定，键盘输入主要在引导镜头——"可操控"的成色，需要上手才知道。

第三层是冷水。Reddit 网友 Background-Wafer-548 认为，语音仍是 Genie 4 最薄弱的环节，听起来甚至有些像老式文本转语音："取得不错的效果已经相对容易，想达到真正出色的水平却非常困难。"

能原生生成实时音频，和让虚拟人物拥有自然可信的表达，仍然是两回事。

Genie 4 确实是世界模型的一大步。但官方演示和真实体验之间，还隔着一场公开直播的距离。