Genie 4 发布解读：原生音频、实时对话与 Gemini 协作，世界模型比 Genie 3 进步在哪？

Google DeepMind 于 2026 年 10 月 27 日公布 Genie 4。它是一个面向实时交互模拟的世界模型：用户不仅描述场景，还能在生成过程中移动视角、改变天气、加入角色，观察世界如何继续发展。

这次最清晰的新变化，是原生音频和互动对话，以及与 Gemini 更紧密的协作。模型不仅生成画面，也同步生成环境声、音乐和人物声音；Gemini 则帮助理解指令、规划事件并跟踪场景进展。

本文依据截至 2026 年 10 月 28 日核对的 Google 与 Google DeepMind 官方页面整理。下文能力描述来自官方资料，TboxIO 未取得研究预览进行独立实测，也没有本站跑分。

世界模型为什么不同于普通视频生成？

观看一段生成视频时，观众通常接收已经生成的内容。Genie 的研究方向则强调行动与环境之间的反馈：你转动镜头、走向另一个位置，或者输入新事件，模型需要继续生成与这些动作相适应的世界。

这并不自动等于一个可导出完整工程、规则严密的游戏引擎，也不意味着已经获得可用于工程验证的物理模拟器。它首先提供的是持续生成、可探索和可干预的视听环境，实际控制精度和长期一致性仍有局限。

项目	Genie 4 官方已确认信息
发布方	Google DeepMind
发布日期	2026 年 10 月 27 日
当前阶段	面向受信任测试者的研究预览
场景控制	自然语言实时修改场景，配合导航及镜头操作
原生音频	环境声、音乐、互动对话
Gemini 协作	外观与行为基础、场景理解、规划和进展检查
连续交互时长	官方模型页称几分钟，不是长时间会话
生成内容标识	官方称视频与音频均包含 SynthID 水印

四个重点变化，分别带来什么？

1. 用自然语言实时改变场景

官方展示了修改天气、移动镜头、加入人物和物体等操作。Gemini 会结合周围场景解释指令，并在用户输入之间继续观察、引导场景，使事件尽量连贯地推进。

对创作者来说，价值在于边看边修改，而不只是反复从头生成整段素材。电影分镜、视觉风格探索和交互体验构思，都可能因此获得更直接的反馈。但能修改场景，不代表复杂编辑永远不会破坏已有细节。

2. 更重视物理表现与人物动作

DeepMind 将空气动力、碰撞以及自然的人物移动和环境反应列为本次重点。这里应理解为生成模拟的真实感方向，不能将宣传中的物理理解直接等同于精确求解真实世界物理。

官方也承认复杂物理交互、空间精度仍是研究问题。用于预演一个想法，与依靠它做工程安全判断，是完全不同的要求。

3. 世界开始原生发声，并可实时对话

Genie 4 是 DeepMind 首个原生生成音频的实时世界模型。脚步、风声、海浪和人物对话不再只是需要另行配上的声音层；角色可以根据用户输入或世界事件实时作出语言反应。

这让交互环境多了一条反馈通道，也增加了评估难度：除了画面是否合理，还需检查声音是否对应动作、对话是否衔接事件。官方将实时音频准确性列为持续改进领域，因此不宜把演示中的同步效果写成所有场景都可靠。

4. Gemini 参与多步事件的组织

官方介绍，Gemini Omni 为模拟提供真实世界外观与行为方面的基础；其他 Gemini 模型帮助维持复杂场景的连贯性。其中，Gemini 3.8 Flash 作为循环中的引导 Agent，持续观察生成画面、拆分目标、检查步骤进度，并在用户干预或环境变化时调整计划。

官方还展示了 Gemini 4 Argon 与 Genie 4 的机器人研究实验：Argon 把任务拆成步骤，作为文字描述传给正在生成的模拟。演示包括 Apptronik Apollo 人形机器人下跳棋。

应注意，这属于模型协作的研究展示，并不等于已经证明机器人在真实世界中的任务成功率提升，也不表示每次 Genie 4 会话都使用同一套 Gemini 组合。

与 Genie 3 对比：新能力和延续能力要分开

Genie 3 于 2025 年 8 月 5 日发布。它当时已经支持实时探索、用文字触发世界事件，以及几分钟尺度的环境一致性。因此，“能改变天气、增加角色”并不是 Genie 4 才第一次出现。

维度	Genie 3 官方发布资料	Genie 4 官方资料
实时交互	已支持导航与实时生成	继续强化实时场景引导与交互
文字修改事件	已可改变天气、加入物体和角色	加入 Gemini 的情境理解与持续引导
原生音频与互动对话	未作为该代发布文章的已确认能力	明确新增原生音频与实时角色对话
物理与人物	已强调物理属性、自然环境等模拟	更突出真实感、人物动作及环境反应
Gemini 多步协作	发布资料展示 SIMA Agent 在环境中行动	进一步展示 Gemini 规划、观察与步骤核验
可引用画面规格	发布文章明确 720p、24 fps	本次核对页面未给出同口径固定分辨率及帧率
连续交互时长	几分钟，不是数小时	模型页仍写几分钟，不是长会话

Genie 3 的 SIMA 示例主要是 Agent 向模拟环境发送导航动作，不能直接等同于 Genie 4 展示的 Gemini 参与场景规划和引导。两者都与 Agent 有关，但承担的角色和实验设置不同。

对于外界提到的“时长翻倍”“固定两分钟”“更高帧率”等说法，本文不将其作为已核实规格：本次核对的 Genie 4 官方模型页写的是几分钟，发布文章没有给出与 Genie 3 相同口径的完整数值表。我们也不会把上一代的 720p、24 fps 直接移植为新版规格。

测评与分数：演示说明方向，不等于完成评测

当前核对的官方发布文章与模型页没有提供可用于本篇的标准化排行榜分数、同条件成功率或明确的延迟测试结果。网站中的片段被标注为实时交互录制、用于说明效果，部分序列已缩短。因此，不能把精选演示当作每次生成都能达到的表现。

TboxIO 本次浏览时，多个内嵌媒体没有正常播放，我们依据的是官方文字说明与示例标注，而不是声称已经逐段听完或体验了交互。

未来拿到访问权限后，评测更适合围绕世界模型本身的问题展开：离开后返回同一位置时物体是否保持不变；多次修改天气或角色后场景是否漂移；动作与声音是否匹配；多步事件是否按顺序完成；同一指令重复执行的结果是否稳定；实际交互时长和响应延迟是多少。

这些指标不能用聊天模型的数学题或编程分数代替，也不能从一段视觉上漂亮的录屏中推算出来。

已知限制：短时可探索，不代表长时稳定

官方明确将 Genie 4 定义为仍在演进的早期实验模型。当前限制包括：

• 视觉细节与物体持续性会漂移，长时间运行、多次复杂修改和跨场景移动时更明显。
• 多个独立角色或 Agent 与共享环境的复杂交互，仍有建模难题。
• 无法完美准确地重建真实地理位置；空间精度也仍需研究。
• 清晰文字通常更容易在输入世界描述已包含相应文字时生成，不能预期任意招牌都稳定可读。
• 连续互动仍是几分钟尺度，不是可以稳定运行数小时的持久世界。
• 复杂物理与实时音频准确性仍有改进空间。

这些限制决定了它更适合先用于创意预演、交互概念与研究试验。历史照片变成动态场景，也不代表新增的画面和声音就是真实历史记录；它们仍是模型生成的内容。

现在能用吗？价格与开放范围怎么理解？

截至资料核对日，Genie 4 已向受信任测试者推出研究预览。官方称接下来将从 Project Genie 中的 Google AI Ultra 订阅者，以及 Gemini API、Google AI Studio 的早期访问合作伙伴开始开放，并提供候补名单。

“即将开放”不能写成所有 Ultra 用户现在都能进入，也不能推断已向全部 API 开发者普遍提供。文章中提到 AI Studio 或 Gemini API，并不等于已有公开可调用的模型 ID、完整接入文档和商用配额。

本次核对页面未提供可直接引用的 Genie 4 API 单价、按秒收费标准、地区列表或明确配额。因此，本文不填造价格，也不把 Ultra 订阅价格等同于 Genie 4 的独立使用成本。

对创作团队，最现实的尝试方向是镜头预演、艺术风格和交互原型；对机器人与 Agent 研究者，则是探索丰富可变的模拟场景。不过，从模拟展示走到可复用资产、可控游戏机制或真实机器人训练收益，还需要更具体的接口和验证。

TboxIO 的判断：Genie 4 的关键进展，是把实时视觉世界、原生声音、角色对话与 Gemini 的规划能力放进同一个研究方向。它是交互世界生成的重要展示，但当前仍应按研究预览看待，不能等同于成熟游戏引擎、精确物理仿真或已全面开放的商业 API。

参考来源

• Google DeepMind：Genie 4 发布、四项能力与研究限制
• Genie 4 官方模型页：能力、开放范围与限制
• Google 官方发布摘要：2026 年 10 月 27 日
• Genie 3 官方发布文章：上一代能力和 720p、24 fps 规格