跳到文章正文
大模型 编辑推荐

谷歌 Genie 4 开放体验:边玩边改世界,世界模型开始“长”出声音

谷歌向 Google AI Ultra 用户开放新版 Project Genie,首次提供 Ge…

谷歌 Genie 4 开放体验:边玩边改世界,世界模型开始“长”出声音

谷歌 Genie 4 开放体验:边玩边改世界,世界模型开始“长”出声音

凌晨一点,你在浏览器里点开一座刚生成的海边小镇。海风在吹,路灯下有影子,远处有船。你嫌天色太亮,敲下一句“把时间调到黄昏,再加一场小雨”,雨就落下来了;你觉得街上太空,又补一句“来三个骑自行车的孩子”,他们就从街角拐了出来。这背后起作用的,是谷歌最新的世界模型 Genie 4。

一分钟速览

  • 谷歌向 Google AI Ultra 订阅用户开放新版 Project Genie,首次提供 Genie 4 访问权限;
  • Genie 4 支持会话中途用自然语言实时改造世界,并首次加入随场景变化的原生音频;
  • Genie 3 单次可探索时长由 60 秒延长到最多 3 分钟,支持 360 度全景图作为生成基础;
  • 新增 Project Genie 智能体与社区画廊,支持发布世界和二次创作;
  • 所有生成内容带 SynthID 水印,模型仍处于前沿研究阶段。

从“生成一个世界”到“编辑一个世界”

Project Genie 是谷歌今年早些时候推出的实验性研究原型,用户可以用一句话生成并走进一个可交互的三维世界。早期测试者提出的抱怨很集中:能生成,却改不动;能看,却没法分享。这次更新基本是照着这些抱怨逐条改。

Genie 4 是谷歌目前最逼真、交互性最强的世界模型。最关键的变化是“会话中途可编辑”:用户在导航过程中直接输入新提示,就能实时改变环境——切换天气、添加角色、改变动作走向,都不用退出重开。过去这类世界模型更像一台录像机,只能播放;现在更接近一个有编辑器的沙盘。

声音是这次最容易被低估的升级

Genie 4 首次为视觉内容配上实时原生音频,环境音、脚步、角色对话都会随场景推进动态适配。行业里做世界模型,长期把音频当作附属品,但对“沉浸”这件事来说,声音缺失的破坏力远比分辨率低一点更大。谷歌这次把音频做成模型原生输出,而不是事后配音,意味着它对“场景正在发生什么”有了一层更细的理解。

Genie 3 也没被放弃

Genie 4 负责极致保真,Genie 3 则被保留在模型选择器中,服务那些需要更长生成时间的场景。这次 Genie 3 拿到三项补强:单次可探索时长从 60 秒提升到最多 3 分钟,多个世界可以串联成一段更长旅程;支持用 360 度全景图作为生成基础,转动视角时佩特拉峡谷、古建筑立面的细节能保持一致;支持世界内实时事件,探索途中用自然语言就能改变环境。演示里,森林、水下遗迹、冰封海域被串成一次连续飞行,飞着飞着还能召唤一条龙当坐骑。

智能体与画廊:把创作门槛压到“说一句话”

新版 Project Genie 代理把创作入口从“一条文本或一张图”扩展到“一段描述”。用户讲清楚想法,智能体会调度谷歌的多模态模型套件,先生成奠定风格的初始画面,再配上贴合氛围的背景音乐。探索过程中还能把 Gemini 拉进会话,它会看着屏幕上的内容给出上下文建议,或者按指令触发世界内事件:把一句描述变成一段太空行走,把山坡咖啡馆改成沙漠玻璃凉亭。做完的世界可以发布到社区画廊,别人能进去探索,也能接着改。画廊里已经有与创作者合作的作品,比如把哥特式庄园改成逐房间推进的悬疑空间,以及用蚂蚁视角穿行蚁群的《The Life of Ants》。

别急着把它当游戏引擎

谷歌自己说得很清楚:Genie 3 和 Genie 4 仍处于前沿研究阶段。相机延迟、复杂物理交互、实时音频精度、长时间场景一致性,这四件事都还没解决。生成式世界的“可信”和游戏引擎的“确定”是两回事:前者能给你惊喜,也会给你穿帮。对开发者来说,现在更适合把它当概念验证和内容预演的工具有,而不是生产管线。

趋势:世界模型正在变成“空间操作系统”

把这几件事放在一起看,谷歌的路线已经比较清晰:Genie 负责“造世界”,Gemini 负责“理解意图”,智能体负责“把意图变成资产”,画廊负责“分发和再创作”。这条链路一旦跑顺,受影响的不会只是游戏。机器人训练需要海量可交互环境,影视预演需要低成本场景,教育需要能走进去的历史现场——这些需求过去都卡在“三维内容太贵”上。世界模型真正值钱的地方,不是生成得多好看,而是把“造一个能交互的空间”的成本压到接近零。当然,版权、水印、内容安全这些配套,谷歌这次用 SynthID 和输入输出筛查做了兜底,但真正的考验才刚开始。

本文地址:https://www.163264.com/21872