Genie 4 上线:能在世界里开口说话,也能边玩边改规则
谷歌 DeepMind 2026-11-18 上线 Genie 4:世界模型首次带原生实时音频,支持探索中途改提示;同日 Genie 3 升级到 3 分钟并支持全景种子。
2026-11-19 · Google 官方博客(2026-11-18,一手实取)
发布 2026-11-19核实 2026-11-19要点
- 2026-11-18,谷歌 DeepMind 上线 Genie 4,官方称其为「迄今最真实、最具交互性的世界模型(world model)」。
- 两个能力是这代的标志:探索中途改提示(边玩边用自然语言改天气、放角色、改剧情),以及首次把画面与原生实时音频一起生成(环境声 + 角色对白,随场景自适应)。
- Project Genie 智能体负责编排谷歌多模态模型套件:定世界初始视觉风格、配背景音乐;探索时 Gemini 看着你的屏幕,给上下文相关的提示建议,或直接触发世界内事件。
- 同日 Genie 3 也升级:单次生成时长从 60 秒提到 3 分钟、支持 360 度全景图当世界种子、可串联多个世界做长旅程。两者在模型选择器里并存。
- 可用性:Google AI Ultra 订阅用户立即可用(
labs.google/projectgenie),AI Pro 需排队;作品可发布到社区画廊供他人探索与 remix。 - 官方未给 Genie 4 的分辨率、时长上限、上下文长度、价格与任何评测分数——全部为定性表述。
「世界模型」这三个字到底指什么
它不是视频生成模型,差别在可交互:视频生成是一次性吐一段像素,世界模型要维护一个能持续响应你动作的状态。你走过去、箱子会挡住你;你改天气、光影跟着变;你放个角色进去、它会留在那儿。
放在站内已有的坐标系里看更清楚:
| 视频生成模型 | 世界模型(Genie 系列) | |
|---|---|---|
| 输出 | 一段固定视频 | 一个可反复进入的状态机 |
| 输入 | 提示词 | 提示词 + 实时操作 |
| 核心难点 | 画质、时序一致 | 状态持续性、物理一致、延迟 |
| 评价方式 | 主观观感 | 能否在长时间交互后仍自洽 |
这和 世界动作模型(WAM)、VLA 是邻居但不同层:WAM 给机器人用,学的是「动作会带来什么后果」;Genie 给人在浏览器里玩,学的是「世界该怎么演化」。共同点是都得有可预测的物理直觉,区别是前者要把直觉接到真机上,后者要把它接到你的手柄上。
这代真正新增的两件事
第一件是音频。 官方说这是第一次把视觉与原生实时音频合在一起,包括环境音景与角色对话,且随场景自适应。技术上的难点不在「生成声音」,而在音画对齐:脚步落地要有声、声源方向要跟镜头一致、切换场景时旧环境声要收干净。官方把它列为仍在攻克的挑战之一(与镜头延迟、复杂物理交互、长期场景持续性并列)。
第二件是「中途改」。 此前改世界要先退出去改提示词再重进,现在是在探索过程中直接说。这条对创作流程的意义大于对技术指标的意义——它把「世界」从一次性产物变成了可迭代的草稿。
对照 Genie 3 的升级方向可以看出谷歌的产品分层:Genie 3 换「更长更自由」(时长 ×3、全景种子、世界串联),Genie 4 换「更真更有声」。同一天两代并存,是让用户按需求挑,而不是让新版把旧版挤掉。
三个必须写明的空白
官方这版公告没有以下内容,任何推断都会出错:
| 缺什么 | 影响 | 怎么处理 |
|---|---|---|
| Genie 4 的时长 / 分辨率上限 | 无法判断能不能覆盖一段完整分镜 | 需要长时长就用 Genie 3(3 分钟口径明确) |
| 任何 quantitative 评测 | 无法与其它世界模型横向比较 | 官方引导去看 Genie 4 研究概览,公告本身不含分数 |
| 价格与商用条款 | 无法算单条内容成本 | 只能按 Ultra 订阅费摊,商用需另核服务条款 |
还有一条官方自己承认的边界:Genie 3/4 仍属前沿研究阶段的世界模型,正在攻克镜头延迟、复杂物理交互、实时音频精度与长期场景持久性。换句话说,它现在能给你惊喜,但还不能给你交付。
AI 之家 观点
世界模型这条线,2026 年一直在被「机器人」叙事垄断——大家关心的是它能不能让机械臂少采数据。Genie 4 提醒了另一件更朴素的事:它首先是个内容工具。
「中途改提示」加「原生音频」,本质是把导演的工作流搬进了模型里:先搭一个场景,进去走一遍,觉得不对就地改,改完继续走。这套流程过去要靠引擎(Unity、Unreal)加一堆美术资源才能实现,现在一句话起手。对做分镜、做互动叙事、做情景教学的人来说,这是原型成本的数量级下降——不是因为画质更好,而是因为试错循环从「天」变成「分钟」。
但同时要清醒:画廊里的作品是精挑的。官方给的五个示例(把照片变成可探索空间、蚂蚁视角的蚁群、哥特庄园密室)都带导演或艺术家署名,这说明当前质量依赖人类反复调。把它当「一键生成可玩世界」会失望,当「能快速验证空间与氛围想法的草稿台」才对。
还有一条值得盯:SynthID 水印覆盖了视频与音频。世界模型生成的内容天生难辨真伪,先给水印再开放,是这套产品能面向公众的前提。国内团队如果要做类似能力,这条合规动作建议一并规划,别等出事再补。
相关阅读
- 概念:世界动作模型 · VLA · 具身智能 · 原生多模态 · 机器人基础模型
- 同批资讯:Gemini 4 Neon 发布 · Gemini 4 Hydrogen 发布 · Runway Praxis-1 开权重
- 工具:豆包工作 · Perplexity
来源
- Genie 4 is now available(Google 官方博客,2026-11-18,实取)
- Google DeepMind 博客 RSS(2026-11-18 两条:Introducing Gemini 4 Neon / Genie 4 is now available,实取)
本卡片由 AI 之家 编辑部根据公开资料整理,非厂商付费内容;分辨率、时长与价格等未公开项已如实标注,请勿据本文推断。
常见问题
Genie 4 和 Genie 3 到底该选哪个?
官方给的判据是「要什么优先」:想要最长时长、全景图种子世界、把多个世界串成一段旅程,选 Genie 3(本代升级到单次最长 3 分钟);想要最高保真的画面与物理、以及带声音的世界,选 Genie 4。两者在 Project Genie 的模型选择器里并存,不是替代关系。
它能拿来做什么实际工作?
目前是研究预览 + 内容创作,不是生产工具。可用的是「生成世界 → 进入探索 → 中途改提示 → 发布到社区画廊被 remix」这条链。官方示例里有把个人照片变成可探索空间、用 360 度全景做史前栖息地、让 Gemini 当实时裁判的小游戏。适合做分镜预演、互动叙事原型、教学场景。
多少钱?
官方没给单价,只说要订阅 Google AI Ultra(立即可用)或 Google AI Pro(需排队)。按谷歌一贯做法,这类能力捆在订阅里、不单卖调用量,所以「跑一次多少钱」这个问题现在没有答案。
生成的东西能商用吗?
官方没给商用条款,只说明所有生成的视频与音频都带 SynthID 水印、输入输出都过安全筛查。水印意味着可追溯,但不等于授权——真要商用请按 Google 的服务条款逐条核,别按「有水印所以合规」推断。