谷歌 DeepMind 10 月 27 日发布了世界模型 Genie 4。输入一句话或一张图，实时生成一个可以走进去的逼真世界——这已经是 Genie 系列的新一代，这次最大的变化是，世界会出声了。
会出声的世界
Genie 4 是 DeepMind 第一个原生生成音频的实时世界模型。环境音、音乐、角色对话，和画面一起实时生成。场景里的人物不再是默片演员：你走过去，他们会开口说话，会对你的举动做出反应。世界从"看的"变成了"能聊的"，这是 Genie 4 和上代最直观的区别。
声音的意义不止是热闹。对世界模型来说，音画同步是"真实感"的另一半：脚步声、风声、对话的语气，都在告诉你这个世界是连贯的。谷歌把音频生成放进同一个实时循环，意味着声音也会随着你的行动改变，而不是后期配上去的背景音乐。对角色对话来说，实时还意味着对话内容可以跟着你的行动走，而不是事先写好的台词。
边玩边改
Genie 4 的另一个变化是"可控"。场景运行途中，你可以用自然语言随时改：换个天气、挪一下镜头、加一个人或一件东西，世界不停摆，照改不误。键盘负责走位和视角，文字负责改剧本。这种边玩边改的交互，是世界模型和视频生成器最本质的区别：视频给的是一段成品，世界模型给的是一个可以干预的过程。
场景的连贯时长也翻了一倍：约两分钟，上代 Genie 3 是一分钟左右。两分钟不算长，但足够让一个场景展开：人物走过一个房间，天气转阴，一段对话有了来龙去脉。世界模型的老大难一直是"漂移"——跑得越久，细节越容易走样。谷歌自己也承认，细节在长时间运行、多次复杂修改后仍可能漂移，这仍是开放的研究问题。
底层是两个 Gemini
Genie 4 的画面由 Gemini Omni 锚定，负责世界看起来、动起来合乎现实；Gemini 3.8 Flash 在循环内做引导，把高层指令拆成步骤，逐帧检查、随时纠偏。两个模型分工：一个管"像不像"，一个管"稳不稳"。谷歌把这种架构叫做混合世界模型，Gemini 负责规划、检查和修正 Genie 渲染的内容。
这种分工也解释了 Genie 4 的能力边界：它仍然是个研究预览，不是产品。谷歌没有公布分辨率、帧率这些硬指标，也没有给出价格。能用上它的，目前只有受信任的测试者，后续会向 Google AI Ultra 订阅者（通过 Project Genie）和 Gemini API、Google AI Studio 的早期合作伙伴开放，其余人先排候补名单。
“首个"要打个问号
谷歌称 Genie 4 是第一个原生生成音频的实时世界模型，这个"首个"要打个问号：Runway 的 GWM Worlds 2 几个月前发布时，同样支持可玩场景加音频生成。谁先谁后，对普通用户没有实际意义；真正值得看的，是两家谁先把这类模型交到更多人手里，以及开放到什么程度。
能用来干什么
眼下最实在的用途，是给创意和训练环节打前站。游戏团队可以用它快速搭一个可走动的场景，验证关卡节奏；影视前期可以用它预演镜头和走位，省下搭景的成本；机器人团队可以用它生成训练环境，让机器在虚拟世界里先犯错。这些用法都不需要世界模型完美，只需要它足够快、足够便宜、足够可控。Genie 4 的价值，恰恰在于把"生成一个世界"的门槛，从数周的美术工作量，降到了一句话。
还只是预览
Genie 4 离普通人真正上手还有距离：测试范围小、没有价格、没有硬指标。但它指出的方向很清楚——世界模型正在从"生成一段视频"走向"生成一个能待、能聊、能改的地方”。游戏预演、影视前期、机器人训练，都是现成的去处。等它从候补名单里走出来，再看它到底能干什么。
