Google发布Genie 4：能听会说，还能实时改天气
Google DeepMind推出Genie 4，这是一个支持原生音频生成和自然语言控制的世界模型。用户不仅能看到画面，还能听到风声和对话，并实时改变天气或加入角色。目前仅面向少数测试者开放，存在视觉漂移等限制，并非全面商用产品。
不只是看视频，而是走进一个会呼吸的世界
生成式AI的终点难道只是吐出一段几十秒的视频？
Genie 4或许会让人重新想这个问题。2026年10月27日，Google DeepMind正式发布Genie 4。以往那些视频模型“生成即定格”，Genie 4不一样，它搭出来的是一个能实时探索、能动态修改、还自带声音的环境。
说白了，观众不再只是被动看一段预渲染好的像素流。人可以走进去，风吹树叶有沙沙声，角色会按指令开口说话，探索途中突然来一句“把晴天改成暴雨”，世界也会跟着变。它更像一个简化版、由AI驱动的虚拟沙盒，跟传统视频生成工具不是一回事。
不过先别急着兴奋。Genie 4眼下还在研究预览阶段，普通用户上不了手。它更像一场技术演示，亮出的是世界模型（World Model）在视听同步和长时一致性上的最新进展。
从Genie 3到Genie 4：增加了耳朵和嘴巴
想看明白Genie 4的突破，得先回头看它的前辈。2025年8月发布的Genie 3已经能按文本生成可导航的3D环境，当时给出的规格是每秒24帧、720p分辨率，画面一致性可维持数分钟。那一步已经不小，但它主要停留在“看”上。
在此基础上，Genie 4做了三件关键的事：
第一，原生音频生成。这是Google 
DeepMind首个能实时生成音频的世界模型。过去看AI生成的视频，配音配乐往往得后期补上。如今风声、海浪声、背景音乐，乃至角色的对白，都跟着画面同步生成。声音不再是画面的附庸，而成了环境的一部分。画面里下雨，听到的雨声就和雨滴落下的节奏对得上；角色转头说话，声音的方向感也随之变化。
第二，自然语言实时控制。用户可以像导演一样，用自然语言干预场景。比如“让镜头拉近一点”、“加入一个穿红衣服的人”或者“把时间调到黄昏”。Gemini大模型在这里充当“理解者”，解析指令，结合当前场景状态，引导Genie 4生成接下来的画面和声音。官方把这种交互称为创意预演的“草稿模式”，适合快速验证想法，而不是直接出成片。
第三，更真实的物理与动作。官方演示里展示了空气动力学效果和更自然的人物移动。角色不再是僵硬的纸片人，能对环境做出反应，比如避开障碍物，或者回应提问。当然，这不代表它能完美模拟现实物理引擎的所有细节，但视觉观感上，连贯性确实提升明显。
Gemini作为“大脑”，Genie 4作为“身体”
Genie 4的一个核心架构变化，是跟Gemini深度协同。在这套系统里，Gemini不只是聊天机器人，它扮演的是Agent（智能体）的角色。
用户提出一个复杂任务，比如“模拟一场街头采访”，Gemini会把目标拆成多个步骤：先造街道背景，再安排采访者和受访者，接着生成对话内容，最后依据对话调整人物表情和动作。Genie 4负责执行这些步骤，持续生成像素级的模拟结果。
Google还展示了结合Gemini Robotics的实验。这离真正的机器人控制尚有距离，但思路很清晰：在高保真模拟环境中训练Agent，让它们学会处理多步任务和突发状况，未来可能迁移到现实世界的机器人控制中。这种“混合世界模型”的思路，被认为是连接数字模拟与物理现实的重要桥梁。
谁能用到？别被“订阅”误导
新闻标题一出，不少读者的第一反应是：“我买了Google AI Ultra订阅，是不是就能玩了？”
答案是：不一定。
截至2026年10月28日，Genie 4只面向受信任的测试者开放。Google DeepMind在公告中提到的后续开放计划，包括Project Genie中的Google AI Ultra订阅者、Gemini API早期合作伙伴以及Google AI Studio的部分用户。这几个群体之间有重叠，也有门槛。
持有Ultra订阅，并不等于自动拿到Genie 4权限。得盯着Project Genie的候补名单（Waitlist）。目前的流程是：
- 访问Genie 4官方页面，找到加入候补名单的入口。
- 填写申请表格，等待审核通知。
- 收到邀请后，在指定产品中确认权限。
对开发者来说，现有的Gemini API密钥也不能直接调用Genie 4，得等专门的开发文档和账户授权。所以，现在网上若有人晒出Genie 4的操作界面，他们大概率是早期的受信测试者，而非普通付费用户。
现在的局限：它会“忘事”，也会“胡言乱语”
演示看着确实漂亮，可Genie 4距离一个真正完美的虚拟世界还差得远。Google DeepMind在模型页上没有回避，把眼下存在的边界一条条摆了出来。
先看视觉。物体持久性和视觉漂移是所有生成式视频模型都绕不开的毛病——交互时间一长，物体细节就可能走样。你刚搁下的杯子，过一阵子没准成了碗，要么颜色悄悄变了。场景改动越复杂、次数越多，这类问题就越被放大，到最后整个世界的一致性就撑不住了。声音这边也不够准。模型虽然能出声，但角色对白清不清楚、环境音合不合逻辑，都还有瑕疵。角色说话偶尔跟口型对不上，背景噪音也会忽有忽无。
时长上也有限制。目前能连续交互的是“数分钟”，并非无限时长会话。拿它做短片预演或者快速搭原型可以，想构建长期运行、状态始终一致的虚拟世界就不合适了。还原真实地点同样不够看。让它模拟你家客厅，它多半只能给个“像客厅”的场景，家具具体摆在哪儿没法精确复现。要用在高精度地理信息的场景里，现在还不靠谱。
另外，Genie 4产出的视频和音频一律带SynthID数字水印，方便辨认出AI生成的身份。应对深度伪造风险，这是Google的常规做法。
结语：它是工具，不是魔法
世界模型从“静态观察”迈到“动态交互”，Genie 4算是走到了这一步。对影视创作者和游戏开发者而言，它是个挺强的原型工具：写代码、搭布景之前，先用自然语言把场景“跑”一遍，光线、运镜、节奏合不合适，心里能先有个数。
普通用户就别把它当娱乐产品了。别指望明天就能钻进去玩上一整天。技术成熟得花时间，长时一致性和物理真实性这两块硬骨头尤其难啃。
想跟进的话，保持关注、申请候补名单，对目前的演示效果理性看待就行。一个能听、能说、能改的世界听着很美，可真要让它稳定跑起来，背后还得靠大量工程优化。
注：本文信息基于2026年10月28日Google DeepMind发布的官方公告及模型页说明。产品处于早期预览阶段，具体功能和支持范围可能随时间调整。
