Google DeepMind 刚刚发布了 Genie 4：一款具备原生音频功能的实时交互式世界模型——环境音、音乐和对话均与场景同步生成。通过键盘和摄像头进行移动；支持在运行过程中使用自然语言进行编辑（如天气、物体、人物）。目前面向受信任测试者的研究预览版；AI Ultra 候补名单后续将通过 Project Genie 以及早期的 Gemini API / AI Studio 合作伙伴开放。我已在他们的博客和 Google 的笔记中发布内容——并非自行运行的会话。

DeepMind 声称其逼真度高于 Genie 3，首次在其实时世界模型中引入原生音频，并采用 Gemini 参与循环的操控方式。TechCrunch 报道称一致性约为 2 分钟（而 Genie 3 约为 1 分钟）——这是他们的报告，而非我的秒表计时。目前仍处于早期阶段：根据博客所述，物体漂移和场景中可读文字仍是未解决的开放问题。

我会首先测试的内容：一个创意性的“草稿模式”循环——实时模拟，在拍摄中途更改摄像机/灯光/对话。如果音频保持正常且编辑生效，那么世界模型的定位就是真实的。如果不行，则继续将其视为研究成果，直到候补名单进一步开放。

https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/
https://blog.google/innovation-and-ai/models-and-research/google-deepmind/introducing-genie-4/
https://techcrunch.com/2026/10/27/googles-genie-4-world-model-adds-audio-more-realistic-worlds-and-real-time-steering/