Google DeepMind 发布世界模型 Genie 4：原生出音频，会话中一句话改写世界
Google DeepMind 10 月 27 日发布实时世界模型 Genie 4：官方称首个原生出音频，会话中文本改写世界，先向可信测试者开放。
Google DeepMind 10 月 27 日发布实时世界模型 Genie 4：画面、音乐、环境音和人物对话由同一个模型实时生成，官方称它是「首个原生生成音频的实时世界模型」，使用者还能在会话进行中用一句自然语言改写世界——换天气、加人物、移动镜头都不用重新生成。发布当天它以研究预览开放给可信测试者，之后进入 Google AI Ultra 订阅的 Project Genie；官方博客通篇没有给出帧率、分辨率或时长数字。
要点
- 音频第一次由世界模型自己出：音乐、环境音、随剧情变化的实时对话，官方称此前没有实时世界模型做到原生生成音频。
- 一致性时长翻到约 2 分钟——这个数字出自 The Verge 与 TechCrunch 的报道口径，官方博客没有写任何时长；上代 Genie 3 约为 1 分钟。
- 现在还轮不到普通用户：先可信测试者，再 AI Ultra 订阅（Ars Technica 称该档每月 100 美元起），Gemini API 与 AI Studio 的定价未公布。
背景
世界模型这条线，DeepMind 上一代产品停在半路。Genie 3 在 2025 年 8 月发布时曾带动游戏股下跌，Ars Technica 回顾说它此后从未走出 Project Genie 的网页体验。一年过去，赛道挤满了人：TechCrunch 盘点里，Runway 的 GWM Worlds 2 两个月前刚发布，AMD 在收购 World Labs，Amazon 被报道在洽谈收购 Decart。机器人与具身方向的研究者同样在推进这条线，站内此前报道过 SkeLAM 用约 10 小时机器人数据训世界模型，也记录过 杨立昆对世界模型路线的押注——他的定义和 Google 现在展示的东西并不是一回事，这点后面还会提到。
事实部分
核心配置全部来自官方博客（10 月 27 日，Raia Hadsell、Diego Rivas、Hang Qi 署名），时长与价格两条标注了媒体口径：
| 维度 | 口径 | 出处 |
|---|---|---|
| 音频生成 | 官方称「首个原生生成音频的实时世界模型」 | 官方博客 |
| 会话内编辑 | 换天气、加人物、移镜头，一句话生效 | 官方博客 |
| 逐帧引导 | Gemini 3.8 Flash 在环：拆目标、逐步验证、随世界变化改计划 | 官方博客 |
| 真实感锚定 | Gemini Omni 锚定外观与行为 | 官方博客 |
| 一致性时长 | 约 2 分钟，上代约 1 分钟 | The Verge、TechCrunch（官方未给数字） |
| 定价 | AI Ultra 每月 100 美元起；API 与 AI Studio 未定价 | Ars Technica |
| 水印 | 全部视频与音频输出带 SynthID | 官方博客 |
| 机器人演示 | 「Gemini 4 Argon + Genie 4」驱动 Apptronik Apollo 人形机器人下跳棋 | 官方博客 |
对话是官方单独强调的一块：「Genie 4 引入了能随机应变的交互式对话」——湖边吹萨克斯的人会对你的指令作出反应，剧情推进时台词跟着变。官方博客同时把「复杂物理交互、实时音频准确性、渲染清晰文字、空间精度、长期一致性」列为在研领域，并承认「画面细节与物体持久性仍会随时间漂移，长会话尤其明显」。
各方说法
The Verge 的 Jay Peters 给出官方宣传的三个用途——电影预演、游戏原型、机器人训练场景——但他去年实测 Project Genie 时的观感是生成了「任天堂的劣质仿品」，这次他没能上手 Genie 4。Ars Technica 的 Ryan Whitwam 对语音最谨慎：「如果真能做到，最大的飞跃是加入人类语音」，一句话里保留了两层怀疑。TechCrunch 的 Rebecca Bellan 引 DeepMind 工程师 Diego Rivas 的定位：价值在「创意构思与分镜阶段」，并补充了竞争格局。
Hacker News 上 200 多分、150 多条评论的讨论里，最有信息量的内容是逐帧挑出的穿帮：龙背飞行段落在 1 分 25 秒到 1 分 29 秒之间，镜头转回去时城堡右侧连同投石机一起消失；更衣室里那个人左半身西装、右半身连衣裙。对「替代游戏引擎」的说法，从业者的反应很直接——有人算输入延迟和算力账，有人提醒游戏业连普通 LLM 的边缘问题都没消化完。评论里还有一条值得单独记下：这位 HN 用户认为 Google 在重新定义「世界模型」这个词，把它从 LeCun 那套「理解物理因果的系统」收窄成「文本生成可玩视频」。
编辑判断
Genie 4 真正的新东西在控制权的位置：模型从「出一段视频的生成器」变成「可以随时插手改写运行中世界的导演台」，真实感反倒是最不新鲜的部分。对分镜和预演这类工作流，这是能立刻想象用处的形态——TechCrunch 引 Rivas 的定位也在这个方向。对想做游戏的人，官方自己的局限声明就是答案：约 2 分钟的一致性窗口撑不起一个成品，先等。
还有一个 Google 旗舰节奏的老问题。Genie 4 与 9 月 30 日发布的 Gemini 4 Argon 走的是同一条路：先可信测试者、再订阅档、API 暂无定价——而上一代从未走出网页体验。排队之前不妨想想，这次和上次有什么不一样；HN 用户 kouteiheika 的提醒可以当作排队理由清单的反面：零技术细节、连参数量都不公布。
怎么试
- 网页入口：Project Genie 已开放排队（waitlist），AI Ultra 订阅用户按 Ars Technica 的说法每月 100 美元起。
- 开发者通道：Gemini API 与 Google AI Studio 的早期伙伴计划陆续开放，定价未公布。
- 暂时没有公开评测或第三方基准——排上队和真正能稳定用起来之间，隔着官方自己承认的那份局限清单。
接下来
四个可核对的观察点：AI Ultra 灰度的时间表、Gemini API 定价公布、第三方实测能否撑满 2 分钟一致性窗口，以及官方预告的混合路线——把 Gemini 的规划能力与 Genie 的像素级生成接在一起——何时落地。