เจาะ Genie 4: เสียงในตัว บทสนทนาสด และการทำงานกับ Gemini ต่างจาก Genie 3 อย่างไร

Google DeepMind ประกาศ Genie 4 วันที่ 27 ตุลาคม 2026 เป็นโมเดลโลกสำหรับการจำลองแบบโต้ตอบเรียลไทม์ ผู้ใช้ไม่ได้เพียงบรรยายฉาก แต่ขยับมุมมอง เปลี่ยนอากาศ หรือเพิ่มตัวละครระหว่างการสร้าง แล้วดูโลกตอบสนองต่อไปได้

สิ่งใหม่ที่ชัดเจนคือเสียงในตัว บทสนทนาโต้ตอบ และการร่วมงานกับ Gemini อย่างใกล้ชิด ระบบสร้างเสียงบรรยากาศ ดนตรี และเสียงตัวละครพร้อมภาพ ขณะที่ Gemini ช่วยตีความคำสั่ง วางแผนเหตุการณ์ และติดตามความคืบหน้า

อ้างอิงหน้า Google และ Google DeepMind ที่ตรวจ ณ 28 ตุลาคม 2026 คำอธิบายความสามารถมาจากข้อมูลทางการ TboxIO ยังไม่ได้เข้าถึง research preview เพื่อทดสอบอิสระ และไม่มีคะแนนทดสอบของเราเอง

โมเดลโลกต่างจากการสร้างวิดีโอทั่วไปอย่างไร

ผู้ชมวิดีโอทั่วไปดูเนื้อหาที่สร้างเสร็จแล้ว แต่ Genie เน้นวงจรระหว่างการกระทำกับสภาพแวดล้อม เมื่อหมุนกล้อง เดินไปที่อื่น หรือเพิ่มเหตุการณ์ โมเดลต้องสร้างโลกต่อให้ตอบสนองต่ออินพุตเหล่านั้น

ไม่ได้หมายความว่าเป็นเกมเอนจินที่ส่งออกโปรเจกต์ครบและบังคับกฎได้แม่นยำ หรือเป็นเครื่องจำลองฟิสิกส์สำหรับตรวจสอบวิศวกรรม สิ่งที่ได้ก่อนคือสภาพแวดล้อมภาพและเสียงที่สร้างต่อเนื่อง สำรวจและเปลี่ยนแปลงได้ แต่ความแม่นยำในการควบคุมและความคงเส้นคงวาระยะยาวยังมีข้อจำกัด

รายการ	ข้อมูล Genie 4 ที่ยืนยันจากทางการ
ผู้พัฒนา	Google DeepMind
วันประกาศ	27 ตุลาคม 2026
สถานะ	Research preview สำหรับผู้ทดสอบที่ได้รับความไว้วางใจ
การควบคุม	เปลี่ยนฉากด้วยภาษาธรรมชาติ พร้อมการเดินและกล้อง
เสียงในตัว	เสียงบรรยากาศ ดนตรี บทสนทนา
Gemini	พื้นฐานรูปลักษณ์และพฤติกรรม เข้าใจฉาก วางแผน ตรวจความคืบหน้า
ระยะโต้ตอบต่อเนื่อง	หน้าโมเดลระบุไม่กี่นาที ไม่ใช่เซสชันยาว
ระบุเนื้อหา AI	ทางการระบุว่าวิดีโอและเสียงจะมีลายน้ำ SynthID

ความก้าวหน้าสี่ด้าน

1. เปลี่ยนฉากสดด้วยภาษา

ตัวอย่างทางการมีเปลี่ยนอากาศ ขยับกล้อง เพิ่มคนหรือวัตถุ Gemini ตีความคำสั่งตามบริบทและสังเกตพร้อมชี้นำฉากระหว่างอินพุต เพื่อช่วยให้เหตุการณ์ดำเนินอย่างต่อเนื่อง

ผู้สร้างจึงดูไปแก้ไปได้ แทนการเริ่มสร้างคลิปใหม่ทั้งหมด การพรีวิซภาพยนตร์ ทดลองสไตล์ และต้นแบบโต้ตอบอาจได้ประโยชน์ แต่การแก้ซับซ้อนไม่ได้การันตีว่าจะรักษารายละเอียดเดิมทุกครั้ง

2. ฟิสิกส์และการเคลื่อนไหวคนสมจริงขึ้น

DeepMind เน้นอากาศพลศาสตร์ การชน และการเคลื่อนไหวหรือปฏิกิริยาต่อสิ่งแวดล้อมอย่างเป็นธรรมชาติ ควรอ่านว่าเป็นทิศทางความสมจริงของการสร้าง ไม่ใช่หลักฐานว่าแก้สมการฟิสิกส์ได้แม่นยำ

ปฏิสัมพันธ์ทางฟิสิกส์ที่ซับซ้อนและความแม่นยำเชิงพื้นที่ยังเป็นโจทย์วิจัย การพรีวิวไอเดียกับใช้ผลจำลองตัดสินความปลอดภัยทางวิศวกรรมต้องการมาตรฐานต่างกัน

3. โลกมีเสียงและคุยตอบได้

Genie 4 เป็นโมเดลโลกเรียลไทม์ตัวแรกของ DeepMind ที่สร้างเสียงในตัว เสียงฝีเท้า ลม คลื่น และคำพูดเกิดพร้อมโลก ตัวละครสามารถตอบด้วยภาษาเมื่อผู้ใช้ป้อนคำสั่งหรือมีเหตุการณ์

นี่เพิ่มช่องทางป้อนกลับและสิ่งที่ต้องวัด เช่น เสียงตรงกับการกระทำหรือไม่ และบทสนทนาต่อเนื่องกับเหตุการณ์หรือไม่ ความถูกต้องของเสียงเรียลไทม์ยังปรับปรุงอยู่ ภาพสาธิตที่ซิงก์ดีจึงไม่ใช่คำรับรองทุกฉาก

4. Gemini ช่วยจัดเหตุการณ์หลายขั้น

Gemini Omni ช่วยด้านรูปลักษณ์และพฤติกรรมโลกจริง โมเดล Gemini อื่นช่วยความต่อเนื่อง บทประกาศอธิบาย Gemini 3.8 Flash เป็น Agent ชี้นำที่ดูเฟรม แบ่งเป้าหมาย ตรวจขั้นตอน และเปลี่ยนแผนเมื่อโลกเปลี่ยนหรือผู้ใช้แทรก

ยังมีงานทดลองหุ่นยนต์ที่รวม Gemini 4 Argon กับ Genie 4 โดย Argon แบ่งงานเป็นขั้น ส่งเป็นคำบรรยายข้อความระหว่างจำลอง ตัวอย่างหนึ่งคือหุ่น Apptronik Apollo เล่นหมากฮอส

นี่คือเดโมวิจัยการร่วมงานของโมเดล ไม่ใช่หลักฐานว่าความสำเร็จของหุ่นยนต์จริงเพิ่มขึ้น และไม่ยืนยันว่าทุกเซสชัน Genie 4 ใช้ชุด Gemini เดียวกัน

เทียบ Genie 3: แยกของใหม่ออกจากของเดิม

Genie 3 ประกาศวันที่ 5 สิงหาคม 2025 และมีการสำรวจเรียลไทม์ เหตุการณ์ผ่านข้อความ และความคงเส้นคงวาระดับไม่กี่นาทีอยู่แล้ว การเปลี่ยนอากาศหรือเพิ่มตัวละครจึงไม่ใช่ครั้งแรกใน Genie 4

ด้าน	ประกาศ Genie 3	ข้อมูล Genie 4
โต้ตอบเรียลไทม์	มีการเดินและสร้างแบบสด	เน้นการชี้นำและปฏิสัมพันธ์มากขึ้น
เหตุการณ์จากข้อความ	เปลี่ยนอากาศ เพิ่มคนและวัตถุ	Gemini เข้าใจบริบทและชี้นำต่อเนื่อง
เสียงและบทสนทนา	ไม่ได้ยืนยันในประกาศที่อ้าง	ระบุเสียงในตัวและคุยสดชัดเจน
ฟิสิกส์และคน	เน้นคุณสมบัติทางกายภาพและธรรมชาติแล้ว	เน้นความสมจริง การเคลื่อนไหวและปฏิกิริยา
Agent	SIMA กระทำในโลกที่สร้าง	Gemini วางแผน สังเกต และตรวจขั้นตอน
สเปกภาพที่อ้างได้	ระบุ 720p, 24 fps	หน้าที่ตรวจไม่มีค่าความละเอียดหรือ fps คงที่แบบเทียบกัน
เวลาต่อเนื่อง	ไม่กี่นาที ไม่ใช่หลายชั่วโมง	ยังระบุไม่กี่นาที ไม่ใช่เซสชันยาว

SIMA ใน Genie 3 ส่งคำสั่งเดินไปยังสภาพแวดล้อมเป็นหลัก ต่างจาก Gemini ที่ช่วยวางแผนและชี้นำฉากใน Genie 4 บทบาทและเงื่อนไขทดลองไม่ควรถูกเหมารวม

บทความไม่ถือว่า “เวลาเพิ่มสองเท่า” “สองนาทีแน่นอน” หรือ “fps สูงขึ้น” เป็นสเปกยืนยัน หน้า Genie 4 ระบุไม่กี่นาทีและไม่มีตารางตัวเลขครบภายใต้เงื่อนไขเดียวกัน ห้ามยก 720p, 24 fps ของรุ่นเก่ามาเป็นสเปกรุ่นใหม่

เดโมไม่ใช่คะแนนความน่าเชื่อถือ

ประกาศและหน้าโมเดลที่ตรวจไม่มีคะแนนจัดอันดับมาตรฐาน อัตราสำเร็จแบบควบคุมเงื่อนไข หรือผลวัดความหน่วงที่ใช้ในบทความได้ คลิปถูกระบุว่าเป็นการโต้ตอบสดเพื่อแสดงตัวอย่างและบางช่วงตัดให้สั้น เดโมที่คัดมาไม่ได้แทนผลทุกครั้ง

ตอน TboxIO เปิดหน้าเว็บ คลิปฝังหลายรายการเล่นไม่ได้ เราจึงอ้างข้อความและป้ายตัวอย่างทางการ ไม่ได้อ้างว่าฟังครบทุกคลิปหรือทดลองโต้ตอบเอง

หากได้สิทธิ์ในอนาคต ควรวัดวัตถุยังเหมือนเดิมเมื่อเดินกลับหรือไม่ ฉากลอยหลังแก้หลายครั้งหรือไม่ เสียงตรงการกระทำหรือไม่ เหตุการณ์ครบลำดับหรือไม่ คำสั่งเดิมทำซ้ำได้แค่ไหน รวมถึงเวลาจริงและความหน่วง คะแนนคณิตศาสตร์หรือโค้ดของแชตโมเดลและคลิปสวยแทนการวัดเหล่านี้ไม่ได้

ข้อจำกัดที่ทราบ

ทางการระบุว่าเป็นโมเดลทดลองระยะแรก โดยมีข้อจำกัดดังนี้

• รายละเอียดและการคงอยู่ของวัตถุอาจเปลี่ยน โดยเฉพาะเมื่อรันนาน แก้ซับซ้อน หรือเดินสำรวจ
• ปฏิสัมพันธ์ซับซ้อนระหว่างหลายตัวละครหรือ Agent อิสระกับโลกที่ใช้ร่วมกันยังเป็นโจทย์วิจัย
• ไม่อาจสร้างภูมิศาสตร์จริงได้ตรงสมบูรณ์ และความแม่นยำเชิงพื้นที่ยังต้องพัฒนา
• ข้อความอ่านชัดมักเกิดได้เมื่อระบุไว้ในคำบรรยายโลก ไม่ควรคาดว่าป้ายใด ๆ จะอ่านได้เสมอ
• เวลาต่อเนื่องยังอยู่ระดับไม่กี่นาที ไม่ใช่โลกถาวรที่เสถียรหลายชั่วโมง
• ฟิสิกส์ซับซ้อนและเสียงสดยังต้องปรับปรุง

จึงเหมาะเริ่มจากพรีวิซ แนวคิดโต้ตอบ และงานวิจัย การทำภาพประวัติศาสตร์ให้เคลื่อนไหวไม่ได้ทำให้เสียงหรือการเคลื่อนไหวใหม่เป็นบันทึกประวัติศาสตร์จริง

ใช้ได้เมื่อไร และราคาอย่างไร

ณ วันที่ตรวจ Genie 4 เป็น research preview สำหรับ trusted testers Google ระบุว่าจะเริ่มขยายไปยังสมาชิก Google AI Ultra ใน Project Genie และพาร์ตเนอร์ early access ของ Gemini API กับ Google AI Studio พร้อมรายชื่อรอ

คำว่าใกล้เปิดไม่แปลว่าสมาชิก Ultra ทุกคนใช้ได้แล้ว หรือ API เปิดทั่วไป การเอ่ยถึง AI Studio และ Gemini API ไม่ได้ยืนยันชื่อโมเดล API สาธารณะ เอกสารครบ หรือโควตาเชิงพาณิชย์

หน้าที่ตรวจไม่มีราคา API ต่อหน่วย ต่อวินาที รายชื่อภูมิภาค หรือโควตาชัดเจน จึงไม่สร้างราคาเองหรือถือค่าสมาชิก Ultra เป็นค่าใช้งาน Genie 4 โดยตรง

ทีมสร้างสรรค์อาจดูการพรีวิซ สไตล์ ต้นแบบโต้ตอบ นักวิจัยหุ่นยนต์และ Agent อาจดูฉากจำลองที่หลากหลาย แต่การต่อยอดเป็นทรัพยากรนำกลับใช้ กลไกเกมควบคุมได้ หรือผลฝึกหุ่นยนต์จริง ยังต้องมีอินเทอร์เฟซเฉพาะและการตรวจสอบ

มุมมอง TboxIO: Genie 4 นำโลกภาพสด เสียง บทสนทนา และการวางแผนของ Gemini มารวมใกล้กัน เป็นเดโมสำคัญของโลกโต้ตอบ แต่ยังต้องมองเป็น research preview ไม่ใช่เกมเอนจินสมบูรณ์ เครื่องจำลองวิศวกรรมแม่นยำ หรือ API เชิงพาณิชย์ที่เปิดทั่วไปแล้ว

แหล่งอ้างอิง

• Google DeepMind: ประกาศ Genie 4 ทางการ
• หน้าโมเดล Genie 4 และข้อจำกัดทางการ
• สรุปประกาศจาก Google ทางการ
• ประกาศ Genie 3 ทางการ