Google DeepMind 发布 Genie 4，原生同步音频下的连贯互动时长翻倍至约 2 分钟

Google DeepMind 于台北时间 2026 年 10 月 28 日凌晨在 X 发布约 147 秒演示并同步更新博客，宣布世界模型 Genie 4；DeepMind 称其为「目前最写实、最可互动」的世界模型。Genie 4 首次在实时世界模型中原生同步生成音乐、环境音与互动对话，而非事后配轨。

Genie 4 新增功能：原生音频、自然语言场景控制与升级物理

据 DeepMind 官方博客，Genie 4 在 Genie 3 的基础上新增或强化以下四个方面。第一，原生多模态音频：画面推进时可同步生成音乐、环境音与互动对话，官方称这是首次在实时世界模型中原生生成音频。

第二，自然语言实时场景控制：用户可用文字提示实时改变天气、镜头角度、添加角色或物件；在间歇期间，Gemini 也会监测并纠正场景走向。

第三，物理与角色升级：空气动力、碰撞等场景物理效果更写实，角色动作更自然并可实时引导。第四，底层架构为像素级实时生成，而非预先做好关卡资产再播放；输入指令与画面响应之间的闭环缩短，是此次升级的核心设计方向。

连贯互动时间：外媒报道约 2 分钟，DeepMind 官方说法较保守

TechCrunch 与 The Verge 于 10 月 28 日报道，Genie 4 连贯互动时间约为 2 分钟，约为 Genie 3（约 1 分钟）的两倍。DeepMind 官方博客的用语则较保守，仅表示短时段可维持连贯，不对「约 2 分钟」作直接量化背书；长时间运行后，细节与物体恒常性仍会发生漂移。

这一差异意味着，「翻倍至 2 分钟」目前为外媒引述的数据，而非 DeepMind 的官方量化承诺，读者在评估此数据时应注意两者出处的差异。

Gemini 家族整合架构：Gemini 3.8 Flash 作为循环中的引导代理与机器人模拟实验

据官方说明，Genie 4 整合 Gemini 家族以支持多步骤复杂事件模拟：Gemini Omni 负责把模拟锚定在真实世界的外观与行为，其他 Gemini 模型补强连贯推理；Gemini 3.8 Flash 作为「循环中的引导代理」，边观看画面边分解目标、逐步核对是否成功，场景变化或用户介入时实时调整计划。

DeepMind 也披露了与 Gemini Robotics 及 Gemini 4 Argon 的实验：Argon 将任务拆解为步骤，再以文字字幕实时引导 Genie 4 渲染对应场景，示例为模拟人形机器人下棋。此架构的实际意义在于，Genie 4 不只是孤立的视觉生成系统，而是可被更广泛 AI 代理网络调用的沙盒环境。

官方披露的现有技术限制与研究预览的发布计划

官方博客主动列出 Genie 4 目前已知的技术限制，涵盖以下六个方面：

复杂物理仿真：高难度物理场景的准确度仍有限

音频准确度：生成音频的细节可信度尚待提升

可读文字：画面中的文字内容目前难以正确呈现

空间准确度：场景中物件的空间位置关系存在偏差

长期一致性：长时间运行后，细节与物体恒常性会发生漂移

研究阶段定性：官方强调这仍属早期研究，端到端产品形态尚未确定

发布计划方面，研究预览先向 trusted testers 开放（已涵盖影视、新闻、教育、游戏、工程等领域），之后进入 Project Genie，面向 Google AI Ultra 订阅用户，以及向 Gemini API 与 Google AI Studio 早期合作伙伴开放，并设置候补名单；所有生成内容都带有 SynthID 水印，安全评估依据官方政策，先小范围收集反馈后再扩大。

常见问题

Genie 4 与 Genie 3 最主要的差异是什么？

据 DeepMind 官方博客，Genie 4 相较 Genie 3 新增原生同步音频生成（音乐、环境音与互动对话）、自然语言实时场景控制，并升级物理仿真与角色动作；TechCrunch 与 The Verge 报道称，连贯互动时间从约 1 分钟提升至约 2 分钟，DeepMind 官方对此数字较为保守，仅表示短时段可维持连贯。

Genie 4 目前谁可以使用，正式开放时程为何？

据官方发布计划，目前处于研究预览阶段，先向 trusted testers 开放（影视、新闻、教育、游戏、工程领域）；之后进入 Project Genie，面向 Google AI Ultra 订阅用户，以及 Gemini API 与 Google AI Studio 早期合作伙伴，并开放候补名单；官方未公布各阶段的具体时间表。