DeepMind发布了新一代世界模型Genie 4。相比此前版本，这次最大的变化是加入了原生音频生成能力，官方称其为"DeepMind首个原生生成音频的实时世界模型"。
音频生成是怎么加进去的
世界模型（world model，指能模拟环境变化并预测后续状态的AI模型）此前主要生成画面，声音通常靠后期叠加或单独处理。Genie 4的做法不同，官方博客写道，它"原生支持多模态，能够在生成世界画面的同时，同步生成类似音频的音乐、环境噪音和交互式对话"。也就是说，画面、音乐、环境声和对话在同一个生成过程里产出，不是分开渲染再合成。
这套能力建立在Gemini系列模型基础上。官方表示，Genie 4模型"整合并扩展了Gemini家族的能力"。具体分工上，Gemini Omni负责把模拟结果锚定到真实世界的外观和行为上;Gemini 3.8 Flash则在交互循环中充当实时引导代理（agent，指能自主执行任务的AI程序），实时调整模拟过程中的内容生成。
官方博客给出的一个演示场景是：用户骑着一条巨大的黑龙，以每小时140公里的速度穿越一条多山的龙族竞速赛道。这类场景展示了实时生成画面与配套音效同步输出的效果。
开放范围和获取方式
目前Genie 4已经开始作为研究预览版，向受信任的测试者推出。面向消费者和开发者的发布会分批进行，第一批是Google AI Ultra订阅用户（通过Project Genie），以及Gemini API和Google AI Studio的早期访问合作伙伴。
普通用户和多数开发者目前还接触不到这个模型，开放节奏和具体功能边界官方没有给出更详细的时间表。
适用人群与待观察问题
这次更新主要值得关注的是两类人：一是做游戏、影视预演（previz）或模拟训练内容的开发者，他们关心的是画面与音效同步生成能否减少后期合成的工作量;二是关注AI生成内容质量的研究者，关心原生音频生成在真实感和一致性上能到什么水平。
官方博客没有公开具体的性能对比数据或与前代Genie模型的量化差异，音频生成的延迟、音质和长时程稳定性目前还缺乏第三方测试结果，这些留待后续观察。
原文地址：tools.wflynn.cn/aitools/tre...
关注公众号「YourTools」，每天推送 GitHub 趋势与开源工具速报：
