「世界会出声了」：Google Genie 4 发布，能边玩边改的世界模型，2 分钟还不够用

10 月 27 日，Google DeepMind 丢出 Genie 4。消息本身不算意外，世界模型这个赛道今年一直很热，意外的是这次的卖点：世界终于有声音了，而且你可以在世界运行的时候伸手改它。画面更逼真当然好，但我觉得真正值得留意的变化在别处，AI 生成的东西第一次从"一段给你看的视频"变成"一个能住进去、能动手改的空间"。先把结论放前面：Genie 4 目前只给一小批受信任测试者用，普通人还摸不到，想尝鲜只能去 Project Genie 排队等候，等它先到 Google AI Ultra 订阅用户和 Gemini API 的早期合作伙伴手里。它是不是一场变革，现在下判断太早，官方自己列的短板就够长，但方向很清楚，世界模型正在从演示品往工具走。

这次新在哪

DeepMind 的博文把 Genie 4 的变化归成四条，我按普通人能感知的方式重说一遍。第一条是实时改世界。你在键盘上走路、转镜头，同时用一句话改场景，比如换天气、挪镜头、往画面里加一个人或者一件东西，模型会接着演下去，而不是推倒重来。Gemini 会把你的话转译成贴合当前画面的版本，意思是你说"下雨"的时候，它知道这场雨应该下在你现在站的这条街上，而不是另起一个场景。

第二条是人和物理。官方说 Genie 4 模拟空气动力、碰撞这类真实物理情境，而人物是"最有感的一跃"：角色走路自然，对周围环境有反应，还能实时操控。这句话要打个折，官方没有给出量化的物理一致性指标，第三方独立评测也还没影，算厂商自述。

第三条是声音，也是这次最硬的新闻点。Genie 4 是 DeepMind 第一个在实时世界模型里原生生成音频的模型，音乐、环境音、互动对话和画面同步产生。走进树林有风声，走到海边有浪声，画面里有人吹萨克斯，声音就是萨克斯，不是后期配上去的。官方特意强调演示视频里的所有声音都由 Genie 4 直接生成，这句话值得注意，因为过去世界模型的演示片几乎都靠后制音效撑场面。

第四条是连贯时长。据 TechCrunch 等报道，Genie 4 能把一个连贯场景维持约 2 分钟，是上一代 Genie 3 上限的两倍。2 分钟听起来还是短，但对"能走进去的世界"来说，从 1 分钟到 2 分钟意味着一次探索能走完一个小场景，而不是刚走两步就断掉。

Gemini 在里面干什么

Genie 4 不是一个模型单打独斗，Gemini 家族在里面分了工。Gemini Omni 负责把模拟锚定在真实世界的外观和行为上，让东西看起来像真的、动起来合乎常理。Gemini 3.8 Flash 在循环里当"导演"：Genie 生成世界的时候，它持续看画面，把目标拆成一串步骤，逐帧检查每一步有没有完成，世界一变或者用户一插手，它就当场改计划。DeepMind 说这样能让世界保持可靠的因果关系，做得出多步骤推理。

还有一个更具体的实验。DeepMind 把 Gemini 4 Argon 和 Genie 4 搭在一起，模拟 Apptronik 的人形机器人 Apollo 下一盘跳棋：Argon 把任务拆成步骤，Genie 4 实时渲染执行。这个例子指向的用途很实在，机器人动手之前，先在想象的世界里把流程跑一遍，错了也不心疼。研究总监 Tejas Kulkarni 在简报会上说，往后会越来越多看到这类混合世界模型，Gemini 写代码和文本，Genie 实时接收并在不同抽象层级上模拟现实。

谁先拿到，怎么排队

Genie 4 现在的身份是研究预览，先给受信任测试者。DeepMind 说接下来会先到两批人手里：一批是 Google AI Ultra 订阅用户，通过 Project Genie 使用；另一批是 Gemini API 和 Google AI Studio 的早期合作伙伴。Project Genie 本来就是 Google 做"从文字或图片生成可交互世界"的工具，Genie 4 进去算顺理成章。想排队的入口在 Project Genie 的等候名单，DeepMind 博文里挂了链接。

有两点顺带提一句。所有 Genie 4 生成的视频和音频都会带 SynthID，这是 Google 那种人眼看不见的数字水印，用来标识 AI 生成内容，横跨视觉和音频两种模态。还有安全护栏，DeepMind 说发布前做了内部安全评估，先给受信任测试者就是为了先收反馈再放开，这套话术各家都差不多，实际效果要等更多人上手才看得出来。

官方自己承认的短板

这篇博文有个地方我挺欣赏，DeepMind 没有把短板藏到脚注里。视觉细节和物体恒常性还会随时间漂移，模拟越长、复杂提示改得越多、在场景里走得越远，漂得越厉害。复杂物理交互、实时音频准确性、画面里文字的可读性、空间准确性、长期一致性，都还在研究清单上。更实在的是，官方没有公布分辨率、帧率、推理成本这些数字，连会话时长都是媒体根据报道推断的 2 分钟，博文正文里没写。

所以现阶段别把它当生产工具。电影人拿它做预演、游戏团队拿它做原型、机器人团队拿它做模拟，这些测试者口中的用法都还停留在"草稿模式"：快速把想法变成能走进去的草稿，验证方向，而不是直接出片。等它稳定到能连续用半小时不出戏，再谈替代现有流程。

赛道为什么突然挤起来了

Genie 4 不是孤立事件。就在它发布前两个月，Runway 刚推出第二个世界模型 GWM Worlds 2，同样主打可玩、带音频。行业层面也在收拢：Fei-Fei Li 的 World Labs 传出被 AMD 收购，Amazon 在谈收购 Decart，Rivian 刚收了 Third Dimension，想把模拟能力收进自家自动驾驶测试里。Google 这一步，算是守住自己在世界模型这条线上的位置，毕竟它手里既有 Gemini，又有 Veo 这样的视频生成模型，Genie 补上的是"可交互"这一块。

对游戏、影视预演、机器人训练这三类人来说，世界模型的吸引力一直很直观：不用先建好关卡资产、写好场景逻辑，输入一句话就能走进去试。但各家现在拼的东西已经从"能不能生成"变成"生成的东西稳不稳、能不能改、改完还认不认得之前的东西"。Genie 4 的实时改写和 Gemini 导演，瞄准的就是这个层面。

# 在 Genie 4 世界里，改场景大概是这种句式
把天气改成黄昏，开始下小雨
镜头拉远，让我看到整条街道
往门口加一个卖报纸的老人
让刚才那个角色走过来，跟我说话

一句话总结

Genie 4 把世界模型从"看一段 AI 视频"推进到"走进一个有声音、能动手改的世界"，2 分钟的连贯时长和官方自认的漂移问题说明它还是研究预览，但 Gemini 当导演、世界当舞台的这套组合，可能是接下来世界模型最值得盯的方向。

来源：Google DeepMind 官方博文《Genie 4: A new generation of world simulation》（https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/）；TechCrunch《Google's Genie 4 world model adds audio, more realistic worlds, and real-time steering》（https://techcrunch.com/2026/10/27/googles-genie-4-world-model-adds-audio-more-realistic-worlds-and-real-time-steering/）；新浪科技转界面新闻《谷歌发布新一代世界模型 Genie 4》（https://finance.sina.cn/stock/jdts/2026-10-28/detail-iniwtpke6676058.d.html）。