Genie 4 發布解析：原生音訊、即時對話與 Gemini 協作，相較 Genie 3 進步在哪？

Google DeepMind 於 2026 年 10 月 27 日公布 Genie 4。這是面向即時互動模擬的世界模型：使用者不只描述場景，也能在生成過程中移動視角、改變天氣、加入角色，觀察世界接下來如何發展。

最明確的新變化是原生音訊、互動對話，以及更緊密的 Gemini 協作。系統在生成畫面的同時產生環境聲、音樂與角色聲音，Gemini 則協助理解指令、規劃事件及追蹤進度。

本文依據截至 2026 年 10 月 28 日核對的 Google 與 Google DeepMind 官方頁面。能力描述來自官方資料，TboxIO 未取得研究預覽獨立實測，也沒有本站跑分。

世界模型與一般影片生成有何不同？

觀看生成影片時，觀眾通常接收已生成的內容。Genie 強調動作與環境的回饋：轉動鏡頭、走到其他位置或輸入新事件後，模型需要持續生成會回應這些動作的世界。

這不等於具備完整工程匯出、嚴謹規則的遊戲引擎，也不等於可用於工程驗證的物理模擬器。它首先提供持續生成、可探索及干預的視聽環境，控制精度與長期一致性仍有限制。

項目	Genie 4 官方已確認資訊
發布方	Google DeepMind
發布日期	2026 年 10 月 27 日
階段	受信任測試者的研究預覽
場景控制	自然語言即時修改，配合導航與鏡頭操作
原生音訊	環境聲、音樂、互動對話
Gemini 協作	外觀與行為基礎、場景理解、規劃及進度檢查
連續互動	模型頁稱幾分鐘，並非長時間會話
生成內容標示	官方稱影片及音訊均包含 SynthID 浮水印

四項重點進展

1. 以自然語言即時改變場景

官方展示改變天氣、移動鏡頭及加入人物、物件。Gemini 結合場景解讀指令，也在使用者輸入之間持續觀察與引導，協助事件連貫推進。

創作者可以邊看邊修改想法，不必每次重做整段。分鏡預演、視覺風格探索及互動概念可能受益，但複雜編輯不保證永遠保留所有既有細節。

2. 更強調物理表現與人物動作

DeepMind 將空氣動力、碰撞、自然人物動作及環境反應列為重點。這是生成模擬的真實感方向，不能直接視為精確物理求解器的證據。

官方同時承認複雜物理交互與空間精度仍需研究。預演創意與依賴模擬做工程安全判斷，要求完全不同。

3. 原生聲音與即時對話

Genie 4 是 DeepMind 首個原生生成音訊的即時世界模型。腳步、風聲、海浪與人物語音和世界一起生成，角色能根據使用者輸入或世界事件即時回應。

這增加回饋通道，也增加評估難度：聲音是否對應動作、對話是否銜接事件，都需要檢查。官方仍將即時音訊準確性列為改進領域，不能把示範同步效果視為可靠性保證。

4. Gemini 組織多步事件

Gemini Omni 提供真實世界外觀與行為方面的能力，其他 Gemini 模型協助維持連貫。官方介紹 Gemini 3.8 Flash 作為引導 Agent，觀察畫面、拆分目標、檢查步驟進度，並在環境或使用者指令改變時調整計畫。

另有 Gemini 4 Argon 與 Genie 4 的機器人研究展示：Argon 將任務拆為步驟，在模擬生成時以文字描述傳入。其中一例是 Apptronik Apollo 人形機器人下跳棋。

這屬於模型協作的研究示範，不等於已證明真實機器人成功率提高，也不代表每次 Genie 4 都使用同一套 Gemini 組合。

與 Genie 3 比較：新增與延續能力要分開

Genie 3 於 2025 年 8 月 5 日發布，當時已支援即時導航、文字觸發世界事件，以及幾分鐘尺度的一致性。因此改變天氣、增加角色並非 Genie 4 才首次出現。

面向	Genie 3 官方發布資料	Genie 4 官方資料
即時互動	已支援導航與即時生成	強化場景引導及互動
文字改變事件	已可改天氣、加入物件及角色	Gemini 加入情境理解與持續引導
原生音訊與即時對話	引用發布文章未確認為該代能力	明確加入原生音訊與角色對話
物理及人物	已強調物理屬性與自然環境	更突出真實感、人物動作與反應
Agent 協作	SIMA 在生成環境中行動	Gemini 規劃、觀察及步驟核驗
可引用畫面規格	明確 720p、24 fps	核對頁面無同口徑固定解析度與影格率
連續互動	幾分鐘，非數小時	模型頁仍寫幾分鐘，非長時間會話

Genie 3 的 SIMA 範例主要由 Agent 向環境發送導航動作，與 Genie 4 的 Gemini 參與場景規劃及引導不同，不應混淆角色和實驗設定。

本文不把「時長翻倍」「固定兩分鐘」「更高影格率」列為已確認規格：Genie 4 模型頁寫幾分鐘，發布文章沒有同條件的完整數值比較。也不能直接沿用 Genie 3 的 720p、24 fps 作為新版規格。

評測：示範不是可靠性成績

已核對的官方文章與模型頁沒有提供可引用的標準排行榜分數、同條件成功率或延遲測試。錄影標示為即時互動、用於說明效果，部分片段已縮短。精選示範不代表每次生成都能達到相同水準。

TboxIO 瀏覽時多個內嵌影片未正常播放，因此依據官方文字及範例標示整理，沒有宣稱聽完所有影片或親自體驗互動。

未來取得權限後，應測試離開再返回時物件是否一致、多次修改後是否漂移、聲音與動作是否同步、多步事件是否依序完成、重複指令是否穩定，以及實際時長與回應延遲。聊天模型的數學或程式分數不能代替這些測試，漂亮錄影也不能提供缺少的量測。

已知限制

官方將 Genie 4 定義為早期實驗模型，限制包括：

• 視覺細節與物件持續性可能漂移，長時間執行、多次複雜編輯或移動時更明顯。
• 多個獨立角色、Agent 與共享環境的複雜互動仍難建模。
• 無法完美重建真實地理位置，空間精度亦需研究。
• 清楚文字通常較容易在輸入描述已包含該文字時生成，任意招牌不保證穩定可讀。
• 連續互動仍是幾分鐘，並非可穩定執行數小時的持久世界。
• 複雜物理及即時音訊準確性仍待改善。

這些限制使它較適合先用於創意預演、互動概念及研究。歷史照片變成動態場景，不表示新增動作或聲音就是真實歷史紀錄。

開放範圍與價格

截至核對日，Genie 4 已向受信任測試者提供研究預覽。官方表示即將從 Project Genie 的 Google AI Ultra 訂閱者，以及 Gemini API、Google AI Studio 的早期合作夥伴開始開放，並提供候補名單。

「即將開放」不等於所有 Ultra 訂閱者現在都可使用，也不等於 API 已全面開放。提到 AI Studio 或 Gemini API，並不確認已有公開模型 ID、完整文件與商用配額。

核對頁面沒有可直接引用的 Genie 4 API 單價、每秒費用、地區清單或明確配額。本文不編造價格，也不把 Ultra 訂閱費當成 Genie 4 獨立使用成本。

創作團隊可關注鏡頭預演、風格探索與互動原型；機器人和 Agent 研究者可探索多樣模擬環境。但要成為可重用資產、可控遊戲機制或證明真實機器人訓練收益，仍需具體介面與驗證。

TboxIO 的判斷：Genie 4 將即時視覺世界、原生聲音、角色對話與 Gemini 規劃放在同一方向，是互動世界生成的重要展示。現階段仍是研究預覽，不等於成熟遊戲引擎、精確工程模擬或全面開放的商業 API。

參考來源

• Google DeepMind：Genie 4 官方發布文章
• Genie 4 官方模型頁與限制
• Google 官方發布摘要
• Genie 3 官方發布文章