Genie 4相比上一代最关键的升级是首次实现音视频同步生成，环境音、配乐和角色对话随画面实时生成，不再是“无声蜡像馆”。同时，单次模拟时长从Genie 3的约1分钟翻倍至约2分钟，并支持用自然语言在模拟运行中实时改天气、移镜头、加角色。

　　一、音频能力从无到有

　　原生音频同步生成：Genie 3只输出无声画面，Genie 4首次让环境音、背景音乐、角色对话与画面一起“长出来”，角色能根据你的输入即兴开口对话，不是预制语音。

　　沉浸感补齐：风穿过树林、海浪拍岸等声音实时匹配场景变化，世界模型缺了声音，沉浸感就断了一半。

　　二、交互时长与可控性提升

　　时长翻倍：连贯模拟从Genie 3的约1分钟提升到约2分钟，画面稳定在24帧/秒左右。

　　实时自由编辑：模拟跑着的时候就能用自然语言改天气、操控镜头、添加人物或物体，不用重新生成整个世界，Gemini在后台帮助维持连贯性。

　　物理与人物更拟真：空气动力学、碰撞反馈和人物动作比前代更自然，物理效果表现更好。

　　三、Gemini从旁观到“导演”

　　推理能力接入：Genie 3主要靠模型自身生成，Genie 4背后由Gemini 3.8 Flash实时观察画面、拆解多步任务、校验每一帧有没有跑偏，Genie负责把世界“画”出来。

　　混合式世界模型：谷歌研究总监形容这是“Gemini编写代码和文本，Genie 4实时读取并在不同抽象层级上仿真现实”的新范式，机器人可在仿真环境中先验证再上真机。

本文由AI生成