Google Genie 4发布:实时编辑世界,AI生成迈入交互新阶段

Google 开放 Genie 4,带来实时编辑、原生音频与创作代理。
Google DeepMind 与 Google Labs 宣布 Project Genie 重大更新,Genie 4 向符合条件的 Google AI Ultra 订阅者开放。Genie 4 被称为迄今最逼真、最具交互性的世界模型,核心突破是会话中实时自然语言编辑环境,并首次将视觉画面与实时原生音频配对。Genie 3 同步升级,单次探索时长从 60 秒延长至 3 分钟,支持 360 度全景图 grounding 和世界链接。新增的 Project Genie agent 让用户以对话方式构建复杂世界,还能随时调用 Gemini 提供建议或触发事件。社区画廊支持发布、探索和混编作品,所有生成内容均含 SynthID 水印并经过安全筛查。
Google DeepMind 和 Google Labs 联合宣布,Project Genie 迎来重大更新:Genie 4 模型正式向符合条件的 Google AI Ultra 订阅者开放。这次更新不仅带来了更逼真的世界生成能力,还引入了实时自然语言编辑、原生音频、创作代理(Agent)和社区画廊,让 AI 生成的世界从“只能看”走向“可以玩、可以改、可以分享”。

Genie 4:用一句话实时改变世界
Genie 4 被官方称为“迄今为止最逼真、最具交互性的世界模型”。与之前版本相比,最大的突破在于会话中的实时编辑:你不再需要退出当前世界重新生成,只需在探索过程中输入新的提示词,就能立刻改变环境。比如调整天气、放入一个新角色、或者直接改变剧情走向。
更引人注目的是,Genie 4 首次将视觉画面与实时原生音频配对。音频会根据场景动态调整——从环境音效到角色对话,都能随着世界的演变而自然变化。这意味着生成的世界不再只是视觉上的沉浸,而是听觉与视觉同步的完整体验。
据 Google 官方博客介绍,早期测试者反馈他们希望“对世界内发生的事情有更深的控制权,并且更容易构建和分享”。Genie 4 的实时编辑和音频能力正是对这一需求的直接回应。
世界模型(World Model)是理解 Genie 系列定位的关键概念。它指一类能对未来环境状态进行预测和模拟的生成式模型,输入可以是文本、图像或动作,输出是一段可交互的、随时间演化的场景。与普通的视频生成模型不同,世界模型强调可交互性和状态一致性:用户的每一次操作(移动相机、改变提示词)都应产生符合物理与叙事逻辑的连贯结果,而不是各自独立的片段。Genie 系列正是沿着这条路线迭代,从生成单段可探索视频,逐步走向支持长时探索、实时编辑和听觉反馈的动态世界。这一方向的目标是让 AI 成为可被“进入”和“操控”的模拟器,而不仅是内容的被动生产者。
Genie 3 同步升级:更长时长、全景 grounding 与世界链接
虽然 Genie 4 在保真度和交互性上更进一步,但 Genie 3 并未退场。在 Project Genie 的模型选择器中,Genie 3 仍然可用,适合需要更长运行时间或基于全景图生成空间的场景。本次 Genie 3 获得了三项重要更新:
- 延长会话与世界链接:单次生成探索时长从 60 秒提升到最长 3 分钟,并且可以将多个世界链接起来,形成更长的旅程。
- 360 度全景图 grounding:支持从 360 度全景图像播种新世界,保持场景一致性。官方示例展示了 Petra 峡谷在环顾时立面细节的稳定表现。
- 实时世界内事件:在探索过程中通过自然语言提示动态改变环境,例如在飞行中召唤一条龙并骑乘。
这些升级让 Genie 3 在“长时探索”和“场景一致性”上形成了与 Genie 4 的差异化定位。
Panoramic grounding(全景 grounding)指的是一种以 360 度全景图像作为条件输入来“锚定”世界生成的技术,常被译为全景图接地或全景条件化。普通图像输入只提供一个固定视角的信息,而全景图覆盖了完整的球形视野,模型可以据此推断四周的环境布局。当用户转动相机环顾时,生成画面需要与全景图中对应方位的内容保持一致,从而避免场景“漂移”或凭空出现元素。这种做法的价值在于场景一致性和可复现性:同一张全景图能反复生成结构稳定的空间,适合构建需要长时间探索或多次进入的世界。
Project Genie Agent:用对话构建复杂世界
新加入的 Project Genie agent 将创作门槛进一步降低。你不再需要精心设计单条文本或图像提示,而是像聊天一样描述你的构想,代理会调度 Google 的多模态模型套件来生成初始视觉,并配上符合氛围的自定义背景音乐。
在探索过程中,你还可以随时将 Gemini 模型拉入会话。Gemini 会观察屏幕上发生的一切,提供上下文相关的建议芯片(suggestion chips),告诉你下一步可以去哪里,或者根据旅程进展自动触发世界内事件。官方演示中,一个自然语言提示先变成了交互式太空行走,然后一艘外星飞船应要求出现。
社区画廊:发现、探索与混编
Project Genie 新增的社区画廊汇集了精选世界和社区创作。你可以直接跳入探索,也可以基于现有作品进行混编(remix),调整底层世界结构、配乐或规则,打造属于自己的版本。
画廊中展示了一些引人注目的合作案例:
- Living Memory:将个人照片转化为可探索的空间。
- Dino Field Guide:基于 360 度全景图的史前栖息地漫游。
- Rock Paper Scissors:桌面物体对战,Gemini 担任实时裁判。
- Villa Giallo:与创意技术专家 Will aka BLVCKL!GHT 合作,用 Genie 4 将哥特式庄园变成逐房间的交互式谜题。
- The Life of Ants:与电影制作人 Anand Gandhi 合作,利用 Genie 4 的照片级真实感,让用户以蚂蚁视角导航复杂蚁群。
用户可以将自己的创作发布到社区画廊,供他人探索和混编。这种“创作—分享—再创作”的循环,正在把世界生成变成一种社交化的创意活动。
负责任地构建:水印与安全筛查
Google 强调了对交互式世界模型的负责任开发。Project Genie 中生成的所有视频和音频都包含 SynthID 水印,所有模型输入和输出都会经过安全筛查。
官方也坦言,Genie 3 和 Genie 4 仍处于前沿研究阶段,正在积极解决相机延迟、复杂物理交互、实时音频精度和长期场景持久性等关键挑战。更多关于模型局限性和研究进展的细节,可以参考 Genie 4 模型研究概述。
SynthID 是 Google DeepMind 开发的 AI 生成内容水印技术,其特点是把不可见的数字信号直接嵌入生成内容本身,而非附加在文件元数据中。对于图像和视频,水印被编码进像素;对于音频,则嵌入人耳难以察觉的频谱扰动。这样即使内容经过裁剪、压缩或格式转换,检测器仍有机会识别出其 AI 生成的来源。SynthID 的意义在于为大规模生成内容提供溯源手段,帮助平台和用户区分真实拍摄与 AI 合成,并为版权归属和虚假信息治理提供技术基础。
如何体验
符合条件的 Google AI Ultra 订阅者即日起可以体验新版 Project Genie。Google AI Pro 会员可以在同一页面加入等待列表。
从 Genie 4 的发布可以看出,AI 世界生成正在从“生成一个静态场景”快速演进为“生成一个可实时交互、可社交分享的动态世界”。实时编辑、原生音频和创作代理的组合,让浏览器里的世界构建变得前所未有的直观。虽然物理真实性和场景持久性仍有提升空间,但方向已经清晰:未来的 AI 生成内容,将越来越多地具备交互性和可编辑性。
相关推荐

Gemini 4 Neon 曝光:或成 Opus 5.5 有力竞争者
Hacker News 讨论帖指出 Gemini 4 Neon 看起来像 Opus 5.5 的竞争者。本文解读这一社区信号背后的产品定位、顶级模型竞争格局变化,以及对开发者模型选型策略的实际意义。

Claude Fable 5.2 独立创作短片《Fable》引热议
Hacker News 上出现由 Claude Fable 5.2 独立完成剧本、画面与导演的短片《Fable》,本文分析全流程 AI 创作的意义、社区反应及对内容创作者的启示。

Anthropic IPO定价:AI巨头上市信号
Anthropic 进行 IPO 定价的消息引发关注。本文分析这一动作对 AI 行业估值、商业化路径和竞争格局的潜在影响,并指出公开市场对 AI 公司的期待与挑战。