谷歌 Genie 4 发布：一句话造出能走进去的虚拟世界，还第一次带上了声音

谷歌把世界模型又往前推了一步。新发布的 Genie 4 能根据一句话或者一张图，实时长出一个可以走动、可以互动的虚拟场景，而且第一次把声音也一起生成了。上一代 Genie 3 还是研究预览，这次隔了一年多，升级幅度不小。

一分钟速览

• 画面更真，物理效果更准，虚拟人物更接近真人。
• 一个场景最长能连贯维持两分钟，是上一代的两倍。
• 可以边看边改：换天气、调镜头、加人加物，实时生效。
• 目前只给「可信测试者」用，之后陆续开放给谷歌 AI Ultra 订阅用户和开发者。

它强在哪

世界模型和普通视频生成不一样。视频生成是给你一段拍好的片子，你只能看；世界模型是给你一个能操作的空间，镜头往哪转、天气怎么变、屋里多一个人，都会实时算出来。

Genie 4 这次的进步集中在三件事上。一是拟真度，物理规律和人物动作都更自然；二是时长，同一个场景能撑到两分钟不崩；三是可控性，它支持自由形式的编辑，用户看到一半觉得光线不对，直接说一句就能改，不用重新生成一遍。

Gemini 当导演，Genie 4 当摄影棚

谷歌把两个模型的分工说得很清楚：Gemini 负责规划步骤、检查画面帧，相当于导演；Genie 4 负责把画面生成出来，相当于摄影棚。

在跟机器人有关的一项实验里，Gemini 4 Argon 把一项任务拆成好几个步骤，Genie 4 负责实时仿真。这套流程的意义在于，机器人还没进真实世界，就可以先在虚拟世界里把动作试一遍，撞坏了也不心疼。

谷歌研究总监特贾斯·库尔卡尼的说法是，以后这类混合式世界模型会越来越常见：Gemini 写代码和文本，Genie 4 实时读进去，在不同抽象层级上模拟现实。

能拿来干什么

官方主推三个方向：游戏、互动学习、机器人。互动学习给了一个挺有意思的设想：用户走进一幅描绘历史场景的画里，和画中的人物聊画里记载的事。

参与测试的人还找到了别的用法——拍电影前的原型制作。谷歌 DeepMind 工程师迭戈·里瓦斯说，实时特性的价值在需要保持创作思路连贯的环节最明显，比如头脑风暴、画分镜脚本，都是想法一冒出来就要马上看到效果的地方。

短板也很明显

团队自己承认了问题：仿真跑得越久，细节和物体越容易漂移；音频要准确、画面里的文字要清晰，这两件事目前还没法同时保证。

里瓦斯反复强调 Genie 4 仍处在发展早期，完整产品最终是什么体验还没有定论。谷歌还提到，未来有望借助多模态模型 Gemini Omni，把原型素材直接转成正式创作资产，但这项能力离落地还有距离。

放到行业里看，世界模型现在比的是谁能把「可交互」做得更久、更稳、更便宜。Genie 4 把时长翻倍、把声音补上，算是把门槛又抬了一截，但离普通人拿来当工具，还差一段路。