谷歌Genie 4世界模型新增音频与实时操控

编者按：世界模型正在从“生成一段视频”转向“生成一个可进入、可操控、可持续运行的世界”。Google DeepMind的Genie 4把音频和实时文本操控带入研究预览，释放出重要信号：多模态世界模型不再只是演示，而是在向创作工具和智能体训练平台演进。

Genie 4带来了什么

据TechCrunch报道，Google DeepMind于2026年10月28日发布Genie 4世界模型，并以研究预览形式向可信测试者开放。与上一代相比，Genie 4有三项显著升级：一是加入实时音频，使生成世界不再只有视觉画面；二是提供更逼真的模拟效果；三是允许用户在模拟进行中用文本提示进行实时操控，也就是所谓“实时steering”。

原文摘要称：Genie 4是一个具备实时音频、更真实模拟和中途文本提示的世界模型，目前以研究预览形式面向可信测试者开放。

这三项能力组合起来，指向一个更完整的产品形态：用户不只是观看AI生成的世界，而是可以在其中听到声音、看到更可信的物理与场景变化，并在运行过程中不断调整方向。对世界模型而言，实时操控尤其关键，因为它意味着模型需要维持跨时间的一致性，并对用户指令做出低延迟响应。

音频与实时操控为何重要

过去一年，视频生成模型展示了强大的视觉想象力，但多数输出仍是“离线”的片段：生成、播放、结束。世界模型的不同之处在于，它试图学习环境如何随动作变化。Genie系列的核心价值，正是让模型生成可交互的虚拟世界。Genie 4加入实时音频后，沉浸感从画面扩展到声音层面；实时文本提示则让“导演”过程发生在模拟之中，而不是一次性设定。

从应用角度看，这类能力可能影响游戏原型、影视预演、互动教育、虚拟仿真和机器人训练。例如，开发者可以用文本不断修改场景规则，测试智能体在变化环境中的反应；内容创作者则可以在生成世界中即时调整氛围和事件。更真实的世界模拟也有助于缩小虚拟训练与真实世界之间的差距。

行业背景：世界模型竞赛升温

世界模型被视为通向更通用AI的重要基础设施。它既可用于生成内容，也可为智能体提供低成本、可重复的训练环境。与单纯视频生成相比，世界模型更强调因果、物理一致性、动作条件和长期记忆。Google DeepMind、OpenAI、Meta等机构都在探索类似方向，创业公司也围绕交互式世界生成展开布局。

Genie 4的研究预览身份值得注意。面向可信测试者开放，说明Google DeepMind仍在评估模型能力、安全边界和系统稳定性，而非立即全面商业化。实时音频和实时操控都会提高算力与工程门槛：模型需要在交互中保持画面、声音和指令响应的一致性，任何延迟或漂移都会破坏体验。

挑战仍在：一致性、安全与评估

从公开信息看，Genie 4展示了清晰的方向，但世界模型仍面临共性难题。首先是长期一致性，场景、物体和声音能否在长时间交互中保持稳定；其次是物理真实感，生成世界是否遵循可信的因果规律；第三是可控性与安全，实时文本提示可能被滥用，也需要防止有害场景生成；最后是评估标准，如何衡量一个“世界”比另一个更真实、更有用，行业尚未形成统一答案。

可以预见，Genie 4这类模型会先在高价值场景中试点，例如游戏开发、智能体评测和仿真训练。随着音频、实时操控和多模态输入逐步成熟，世界模型可能成为AI应用的新底座：不再只是生成内容，而是生成可交互的环境。但研究预览阶段也提醒我们，距离稳定、安全、可大规模部署仍有距离。

本文编译自TechCrunch