Google Genie 4 模拟时长翻倍至 2 分钟、首次音视频同步

Google 于 10 月 27 日宣布推出 Genie 4，称其为迄今最逼真、互动能力最强的世界模型；Genie 4 将最长模拟时长提升至约 2 分钟，并首次实现音频与视频同步生成，包含环境音效、音乐及与用户实时互动的对话。用户可通过自然语言动态改变模拟环境，包含天气、摄像机视角、添加角色或物件。

Genie 4 的三项核心升级：2 分钟模拟、原生音视频同步与自然语言实时控制

据 Google DeepMind 官方说明，Genie 4 相较前代有三项核心升级。第一，最长模拟时长从约 1 分钟提升至约 2 分钟；Google 承认，随着模拟推进，画面细节与物件仍可能漂移，场景长期一致性等问题尚待解决。

第二，首次实现原生音视频同步生成：模型可为虚拟环境生成环境音效、音乐及与用户实时互动的对话，角色回应可根据对话内容和场景变化动态调整，而非播放预录音频。

第三，自然语言实时控制：用户可要求场景从晴天切换为暴雨、改变镜头视角，或添加新角色，系统在模拟继续运行的过程中执行指令。

Gemini 3.8 Flash 驱动实时场景：尝试 Gemini 4 Argon 后选用轻量模型以降低延迟

据 Google 说明，Genie 4 在幕后使用 Gemini 模型提供推理和规划能力：Gemini 理解用户目标、将复杂需求拆解为一系列行动、观察场景变化并追踪事件进展，再根据后续指令调整执行过程。

据报道，Google 团队曾尝试使用旗舰模型 Gemini 4 Argon，但 Genie 4 的实时互动体验实际上运行在更轻量的 Gemini 3.8 Flash 上；这表明实时世界模拟不只取决于生成画面质量，也需要模型以较低延迟持续理解场景、规划行动并回应用户。DeepMind 认为，模拟现实世界是迈向通用人工智能（AGI）的重要研究方向。

Google 正探索的四个应用场景及当前已知限制

据 Google 说明及 DeepMind 产品经理 Diego Rivas 的表述，Genie 4 目前正在与筛选合作伙伴探索应用场景，但均处于早期阶段；以下为已承认的当前技术限制：

复杂物理互动：复杂物理行为的准确性尚未解决

可读文字生成：场景中的文字内容准确呈现仍是未解问题

场景长期一致性：即使在 2 分钟内，细节与物件仍可能在模拟过程中发生漂移

商业游戏需求的差距：商业游戏需要稳定规则系统、可重复游戏机制及精确角色控制，Genie 4 目前尚不具备

Rivas 强调，Genie 4 的目标是扩大现有创作方式能够实现的可能性，而非宣告相关产业的生产流程已被全面取代；应用场景涵盖影视制作（VFX 预演、历史场景重现）、游戏设计（自然语言原型场景）、历史教育及机器人训练。

游戏相关股票再受 AI 冲击疑虑：技术限制与商业化差距仍明显

Genie 4 的推出再次引发市场对 AI 世界模型冲击游戏业的讨论。今年 1 月，Google 推出 Genie 3 驱动的 Project Genie 原型后，市场开始担忧 AI 是否能取代部分场景制作工作，Unity 等游戏相关股票一度面临抛售压力。此次 Genie 4 在实时环境控制与音频生成方面的升级，为这类担忧提供了新的技术背景。

然而，世界模型目前仍无法直接等同于成熟的游戏开发工具：复杂物理互动、文字可读性及场景长期一致性等问题尚未解决，实时生成的环境距商业游戏所需的稳定规则系统与可维护架构仍有明显差距。Google 自身将 Genie 4 定位为潜在生产力工具，而非已具备全面替代能力的成熟产品。

常见问题

Genie 4 和 Genie 3 的主要差异是什么？

据 Google 官方说明，Genie 4 相较 Genie 3 的核心差异包含：最长模拟时长从约 1 分钟提升至约 2 分钟；首次实现原生音视频同步生成（环境音、音乐及实时互动对话）；自然语言场景控制能力增强；幕后由 Gemini 3.8 Flash 提供实时推理和规划支持。

Genie 4 目前有哪些已知技术限制？

据 Google 自身承认，Genie 4 目前未解问题包含：复杂物理互动的准确性、场景中可读文字的生成，以及模拟时间较长后的场景一致性（细节与物件可能漂移）；Diego Rivas 强调这仍是实验性技术，公司正在评估能力边界。

现在谁可以使用 Genie 4，后续开放时程如何？

据 Google 官方说明，Genie 4 目前以研究预览版形式向少量筛选测试者开放；未来数周计划向 Google AI Ultra 订阅用户开放，并向部分开发者开放 Gemini API 和 Google AI Studio 早期访问；所有生成内容均嵌入 SynthID 水印，具体开放时程未提供精确日期。