Google DeepMind 公布 Genie 4：可实时操纵的世界模型，自带原生音频

Google DeepMind 于 2026 年 10 月 27 日公布世界模型 Genie 4：可用自然语言实时改变镜头、天气与角色，并随场景即时生成环境音、音乐与可交互对话；底层由 Gemini Omni 锚定真实世界外观，其余 Gemini 模型负责维持连贯性。目前只向少量受信任测试者开放，随后进入 Project Genie 与 Gemini API、AI Studio 的早期接入。

这次发布的是什么

Google DeepMind 在 2026 年 10 月 27 日公布了 Genie 4，官方对它的定位是「为实时交互模拟带来更高真实感与原生音频的世界模型」。与一次性生成固定画面的视频模型不同，它要生成的是一个可交互、会随输入继续演化的环境。

按官方公告的描述，Genie 4 由 Gemini 系列的能力组合而成：Gemini Omni 负责把模拟锚定在真实世界的外观与行为上，其他 Gemini 模型提供维持模拟连贯性与连续性所需的复杂推理。在使用方式上，用户先让一个事件开始运转，再用自然语言实时操纵场景——移动镜头、改变天气、引入新角色。

官方同时给出了它的两个目标方向：一是为机器人与代理提供安全的训练环境，二是放大影视、新闻、游戏、制造等行业的创作工具。公告把「模拟世界」描述为通往 AGI 过程中的一步。

可用性与限制

• 当前状态：官方称已开始向少量受信任的测试者开放，尚未公开全面可用。
• 后续渠道：将面向 Google AI Ultra 订阅者（Project Genie）以及 Gemini API 与 AI Studio 的早期接入伙伴开放，具体时间以官方页面为准。
• 演示素材：官方在 Google DeepMind 博客放出了演示片段，公开可见的材料目前只有公告文字与这批演示。
• 价格与额度：公告未给出价格、额度或限流信息，一律以官网为准。
• 技术参数：本条属于研究性公布，未给出分辨率、可控时长、帧率等指标，本文不做推算。
• 地区可用性：公告未给出地区口径，订阅与 API 的可用地区以官网为准。

主要功能

• 用自然语言实时操纵场景：移动镜头、改变天气、引入新角色
• 随生成过程即时产出原生音频：环境音、音乐与可交互对话
• 由 Gemini Omni 锚定真实世界的外观与行为
• 由其他 Gemini 模型提供推理，维持模拟的连贯与接续
• 面向机器人与代理：提供可反复试错的训练环境
• 面向创作：影视、新闻、游戏、制造等场景的可视化原型

技术原理

理解这条消息，关键在「世界模型」和「视频生成」的分界。视频模型输出的是一段已经定死的画面，看的人不能改变它；世界模型输出的是一个环境，你下达指令后它由模型继续演算下去。Genie 4 押的是后面这条路，并且要求这个过程是实时的。

官方给出的结构是两层协作。底层由 Gemini Omni 承担，让画面里物体的外观与行为贴近真实世界；上层由其他 Gemini 模型提供复杂推理，用来维持模拟的连贯性与连续性。这条分工解释了一个关键问题：为什么这类模型能撑住一段有来有回的交互，而不是镜头一转就散架——场景里物体的位置、天气的变化需要被记住并延续。

音频是这一代的另一个变化点。官方称音频是随生成过程一起产生的，包含环境音、音乐与可交互对话，而不是先出画面再配音。声画同源于一次生成，意味着声音要跟着场景状态变化，这也是「可交互」的一部分。

需要留一分的地方是：本条属于研究性公布。官方给出了定位与演示，但没有模型卡、没有基准成绩、没有分辨率与可控时长这类可复核的参数。所以「能不能连续跑几分钟还不崩」这类问题，目前只能以官方演示为准，本文不做推算，也不采用二手转述的数字。

实际体验

绝大多数人暂时拿不到入口，能做的验证有限。建议按下面的顺序做，重点是别把演示当成规格。

第一步，先看官方在 Google DeepMind 博客放出的演示片段，重点观察两件事：镜头移动之后场景是否保持连贯，以及音频是否随画面一起变化。这两点正是官方强调的能力，也是最容易被剪辑掩盖的部分。

第二步，如果你有 Gemini API 的早期接入资格，用最短的指令试一次单点操作，比如改变天气，并记录从下达指令到画面变化之间的等待时间。实时交互的体验差别主要就落在这个延迟上。

第三步，把「交互」和「生成」分开评估。让它连续改三次场景，看第三次时前两次的改动是否还在。连贯性是这类模型与视频生成模型最实质的区别，也是演示里最难造假的一项。

第四步，判定可用性。在官方给出参数之前，不要按演示效果规划生产用途，尤其是需要稳定输出长度的影视预演与游戏原型，应等官方明确可控时长后再评估。

项目地址与获取方式

Genie 4 目前没有公开的自助入口。官方公布的渠道是：先向受信任的测试者开放，随后进入 Project Genie（面向 Google AI Ultra 订阅者）以及 Gemini API 与 AI Studio 的早期接入伙伴。演示素材发布在 Google DeepMind 博客。请通过官方渠道获取，不要使用第三方转封装或代充服务，以免账号与数据风险；价格、额度与开放范围以官网为准。

适合谁用

• 做机器人与具身智能的团队：官方明确把它定位为安全的训练环境，值得长期跟踪。
• 影视与游戏的前期可视化：把场景原型从画分镜推进到可进入的场景。
• 需要大量可重复合成环境的企业培训与仿真场景：这类需求的收益高于单次生成。
• 暂时不适合：需要确定性与稳定时长的内容生产环节，在官方给出参数前不应纳入流程。
• 也不适合只想生成一段视频的人：直接的视频生成工具更省事。

常见问题

Genie 4 现在能用吗？

官方称已开始向少量受信任的测试者开放，尚未全面公开可用。后续将面向 Google AI Ultra 订阅者（Project Genie）以及 Gemini API、AI Studio 的早期接入伙伴开放，具体时间以官方页面为准。

它和视频生成模型有什么不同？

视频生成模型输出的是一段已固定的画面，观看者无法改变它；世界模型输出的是可交互的环境，可以按指令继续演化。官方对 Genie 4 的描述强调的是先让事件运转起来，再用自然语言实时操纵场景。

音频是后期配上去的吗？

官方称 Genie 4 在生成过程中即时产出原生音频，包含环境音、音乐与可交互对话，因此声画同源于一次生成。具体实现方式与音轨能否单独控制，公告未说明，以官方技术说明为准。

有模型卡或评测数据吗？

公告属于研究性公布，未提供模型卡、基准成绩、分辨率与可控时长等参数。需要这些口径做选型的，请以官方后续的技术报告与产品文档为准，不要采信二手转述的数字。

境内能用吗？

公告未给出地区口径。订阅与 API 的可用地区、价格与额度均以官网为准，本文不做推断。

相关工具与内容

• NVIDIA Cosmos 世界模型工具链
• Gemini 4 Argon 发布
• Veo 工具页
• Runway 工具页
• Gemini 工具页
• AI 视频
• AI 图像