谷歌 DeepMind 发布世界模型 Genie 4：场景可维持两分钟，首次同步生成音频

谷歌 DeepMind 发布新一代世界模型 Genie 4，仍以研究预览形式提供。按官方说法，Genie 4 生成的可交互场景能维持长达两分钟的连贯画面；它第一次把音频纳入生成范围，在画面之外同步产出音乐、环境噪音与角色对话。此前的世界模型大多只解决画面，声音要另外拼接。

使用方式上，用户可以用一句话创建虚拟世界，再用键盘在其中移动探索，并在场景运行过程中输入自然语言改变天气、替换角色。模型构建在 Gemini 系列之上，实时交互部分由 Gemini 3.8 Flash 驱动，输出内容带 SynthID 水印。开放范围仍是小步走：先面向可信测试者，未来几周才向 Google AI Ultra 订阅用户开放，价格与可用地区尚未公布。

世界模型的竞争点正从「生成一段视频」转向「维持一个可交互的环境」。两分钟连贯性对演示已经够用，但机器人训练、游戏原型与自动驾驶仿真要的是更长时长、稳定物理和可编辑性，这些才决定它能否替代一部分真实数据采集。音频与实时编辑补上之后，世界模型与视频生成模型的边界也更模糊了。