Google DeepMind 发布世界模型 Genie 4：实时生成带声音与人物对话的交互环境

基于 Gemini Omni 底座，把世界模型推向实时全模态写实

2026 年 10 月 27 日，Google DeepMind 揭晓了新一代世界模型 Genie 4。在 deepmind.google 的产品矩阵中，Veo 负责生成电影级视频，Lyria 负责高保真音乐与音频，而 Genie 系列专门负责“生成与探索可交互的世界”。与一次性渲染完就固定不变的 AI 视频不同，世界模型需要根据操作者的每一步探索实时推演下一帧环境状态。

Genie 4 建立在 Gemini Omni 全模态底座之上。这一底层升级让它告别了早期世界模型静音、低分辨率或仅限简单几何物理的局限，能够在实时运行中呈现写实度极高的动态场景。

场景会发声、人物会接话：不止于画面的实时交互

Genie 4 最受瞩目的突破，在于把声音与人物交互原生融进了实时生成的世界里。按照官方展示，当用户在动态环境中探索时，不仅能看到场景本身如何即时响应，还能听到与画面同步产生的环境音效，并观察场景里的人物如何走动、对周围变化做出反应甚至开口交谈。

这种“实时画面反馈 + 原生音频 + 人物动作与对话”的组合，意味着生成的环境不再只是一段会动的背景板，而是具备了游戏场景、虚拟制片预演或具身智能训练场所需的连贯交互感。

• 实时环境响应

  随着用户通过自然语言或语音指令探索，场景结构与光影状态在现场实时生成并动态变化。

• 原生声音合成

  环境不再是哑剧，场景中的物理互动与氛围变化会直接伴随对应的声音输出。

• 人物动作、反应与说话

  画面中的人物能够自然移动、针对情境做出反应并进行语音对话，大幅拉高了可交互世界的临场感。

当前仅开放测试者研究预览，公众上线时间待定

需要注意边界的是，Genie 4 目前处于受控的研究预览（Research Preview）阶段，仅向部分测试者开放体验，普通用户还无法直接在浏览器里自助打开游玩。官方页面也暂未提供公开的测试申请表单。

关于 Genie 4 的公众开放日期、支持地区、收费标准以及具体的键鼠或语音操控细节，Google DeepMind 目前均未正式披露。现阶段想要了解其实际生成效果，最直接的途径是通过 deepmind.google 官网查看官方介绍与实机演示视频。