Google发布Genie 4：输入文字改场景，AI实时生成可探索世界

专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态，欢迎关注！

近日，Google DeepMind发布世界模型 Genie 4。它可以根据文字描述生成可探索的虚拟环境，用户能在场景中移动视角，也能继续输入指令，改变天气、加入角色或调整环境。模型还会生成环境音和人物对话。

这与生成一段视频不同：用户不是只等待一段成片，而是可以进入场景，边探索边改变内容。不过，Genie 4目前仍处于研究预览阶段，连续交互只有几分钟，场景细节也可能随时间发生漂移。

输入文字就能改天气、加角色，场景会实时变化

传统的视频生成通常是“写提示词—等结果—再修改”。Genie 4展示的交互方式更接近一个持续运行的场景：用户可以移动视角，继续输入文字指令，要求环境发生变化，再观察后续画面如何发展。

▲ Genie 4生成的场景示例，图片来自 Google DeepMind 官方页面

DeepMind的示例包括雪地中的动物、室内空间、自然景观以及有角色活动的场景。用户可以让镜头转向新的方向，改变天气，或者让新角色进入环境。模型根据操作实时生成后续画面，而非只播放一段预先生成好的固定视频。

这背后不只是画面生成。DeepMind介绍，Genie 4结合了Gemini系列模型：Gemini Omni帮助场景贴近现实外观与行为，其他Gemini模型提供复杂推理能力，辅助维持场景的连贯性。简单说，一个负责“世界看起来怎样”，另一些负责“接下来可能发生什么”。这是官方对模型组成方式的描述，实际效果仍要结合体验判断。

Genie 4能生成环境音和人物对话

Genie 4的一项更新，是把音频纳入交互场景。树叶摩擦、环境声和角色说话，都可以随画面一起生成。DeepMind展示的例子中，场景里的角色能够开口交流，用户也可以在探索过程中改变环境。

这让交互体验不再只是“画面可以动”。如果声音、角色动作和用户操作能保持一致，生成环境就更接近一个可体验的空间，而不是一段带有按钮的视频。TechCrunch也将实时场景控制、音频和角色对话列为 Genie 4 相较前代展示的重点变化。

不过，音频生成不等于场景中的声音已经足够准确。DeepMind将实时音频准确性列为仍在改进的方向。文字渲染同样有限：如果没有在环境描述中明确提供，场景里的文字往往难以清晰呈现。

▲ Genie 4官方展示的动态环境，图片来自 Google DeepMind 官方页面。

连续交互目前只有几分钟，场景细节可能漂移

世界模型要面对的难题，不只是单帧画面是否逼真，还包括场景能否记住刚才发生的事。用户走过一间房间再回头，家具是否还在原处？角色是否仍按之前的动作继续？反复修改场景后，环境还能不能保持一致？这些问题决定了它能否胜任长时间交互。

DeepMind列出的限制显示，Genie 4在模拟持续时间变长、用户多次修改提示词或在场景中移动时，视觉细节和物体状态可能漂移。目前模型支持几分钟的连续交互，不适合长时间运行。它也无法完美还原真实地点，复杂的多角色互动仍属于研究难题。

因此，官方演示中的逼真画面不能直接理解为准确的现实模拟。它能生成一处“像真的”街景，不代表街道布局、建筑细节或物理规律都与真实地点一致。DeepMind也明确表示，Genie 4当前无法精确模拟真实地点。

研究预览仅向可信测试者开放

Genie 4目前先提供给可信测试者。DeepMind表示，后续计划通过 Project Genie 向 Google AI Ultra 用户开放，并向 Gemini API 和 Google AI Studio 的早期合作伙伴提供访问；公开页面没有给出全面开放的具体日期。

DeepMind提到的应用方向包括交互式体验制作，以及为智能体提供训练和测试环境。团队也在探索将它用于机器人研究：由 Gemini 生成多步骤计划，再交给模拟环境呈现。但这仍是早期探索，不能据此认为 Genie 4已经能够可靠训练现实世界中的机器人。

另一个需要留意的细节是内容标识。Google称，Genie 4生成的视频和音频会加入 SynthID 水印，帮助识别AI生成内容。虚拟环境越逼真，越需要清楚标出它来自模型生成，而不是现实拍摄。

Genie 4把重点从“生成一段画面”推进到“生成一个能响应操作的场景”。真正的考验会在演示之外：场景能否持续稳定、操作是否自然、生成的声音和动作能否彼此对应。眼下，它展示了世界模型的一个新方向；要成为实用工具，还得看这些交互能否经得住更长时间和更多真实任务的检验。