世界模型第一次自带声音和对话
Google DeepMind 发布 Genie 4：实时交互世界模型，首次原生带声音，用户可在运行中用一句话改写场景，场景连贯约两分钟，目前仅限受信测试者。
- 01THE LAUNCH：10 月 27 日，DeepMind 发布 Genie 4，进入研究预览。
- 02THE STEERING：键盘行走 + 自然语言指令，中途改天气、机位与角色。
- 03THE DIRECTOR：Gemini 担任导演：规划步骤、校验帧间连贯。
WHAT HAPPENED发生了什么
10 月 27 日，Google DeepMind 发布 Genie 4：新一代世界模型，实时生成可交互的逼真世界，并且第一次原生带声音。用户用键盘在场景中行走，用一句话中途改天气、换机位、加一个人或一件物体。
Genie 4 的声音不是后期配上去的：环境音、音乐与角色对话与画面同步生成，角色会根据用户输入与场景事件实时改变对话。Gemini 在幕后担任导演：拆解目标、规划步骤、逐帧校验连贯性。
场景连贯时长从 Genie 3 的约一分钟翻倍到约两分钟，物理表现（空气动力学、碰撞）与角色自然度同步提升。谷歌同时列出短板：长会话中对象仍会漂移，场景内文字不总能看清。
THE WORLD VS THE CLIP世界模型与视频模型，分水岭在“能不能走进去”
视频模型产出一段固定影像，观众只能看；世界模型产出一个地方，用户可以走进去、改动它。Genie 4 把这条分水岭推到实时：改动发生在运行中，不是下一条生成任务。
这一定位决定了它的第一批用户：电影预可视化、游戏原型、机器人训练场景。DeepMind 明确把 Genie 4 定位为无限、安全、可复现的机器人训练仿真环境。
THE NATIVE AUDIO声音第一次成为世界的一部分，而不是配乐
此前世界模型的短板在听觉：画面动起来，声音要么缺席，要么后期贴合。Genie 4 把环境音、音乐与对话与画面同源生成，角色对话随事件实时调整。
对创作者来说，这意味着一次生成即包含声画同步的粗剪；对机器人训练来说，声音是另一路传感器信号，不再是装饰。
THE TWO MINUTES两分钟，是技术指标，也是产品边界
场景连贯约两分钟，意味着 Genie 4 适合拍一条镜头、测一个场景、跑一段训练，而不是撑起一部长片或一个开放世界。谷歌把这一边界写在明处，没有包装成无限。
访问路径同样分层：受信测试者先行，随后是 Google AI Ultra 订阅者的 Project Genie，以及 Gemini API 与 AI Studio 的早期伙伴。所有生成内容均带 SynthID 隐形水印。
SIGNAL JUDGMENT世界模型开始有声音，边界写在两分钟
Genie 4 的诚实之处，在于把短板与时长一起公布：两分钟、对象漂移、文字不清。Tokenta Signal 的判断不变：世界模型的竞赛，现在比的是在边界内能做什么，而不是宣称边界不存在。
WHAT REMAINS UNCERTAIN还有什么不确定
EVIDENCE证据
原文确认发布要点：DeepMind 10 月 27 日发布 Genie 4，实时交互世界模型，首次原生生成音频（环境音、音乐、对话）；键盘行走 + 自然语言中途改场景；场景连贯约两分钟，Gemini 担任导演；研究预览仅限受信测试者，生成内容带 SynthID。
PRIMARY SOURCES原始来源
- The AI Insider：Google DeepMind Releases Genie 4 World Model With Real-Time Editing and Audio
https://theaiinsider.tech/2026/10/28/google-deepmind-releases-genie-4-world-model-with-real-time-editing-and-audio/ - Hardy & Butler：Google's Genie 4 builds worlds you can steer
https://hardyandbutler.ai/blog/wire-2026-10-28-am-googles-genie-4-builds-worlds-you.html