Genie 4: światy AI z dźwiękiem i dialogami

Google DeepMind zaprezentowało Genie 4 – następcę modelu pokazanego w sierpniu 2025 roku. To nie generator gotowych filmów, lecz model świata, który oblicza scenę klatka po klatce i reaguje na działania użytkownika na bieżąco. Poruszamy się po niej klawiaturą, a przebieg wydarzeń sterujemy tekstowymi poleceniami. Według twórców to pierwszy model świata DeepMind działający w czasie rzeczywistym, który samodzielnie generuje dźwięk.

Światy, które słychać i w których można rozmawiać

Każda wygenerowana scena ma własne tło dźwiękowe – DeepMind podaje przykład szumu wiatru wśród drzew. Model obsługuje również dialogi: postacie mają ze sobą rozmawiać i reagować na polecenia użytkownika oraz zachodzące wydarzenia. Największy skok w realizmie dotyczy sposobu renderowania ludzi – sylwetki mają poruszać się naturalnie, odpowiadać na otoczenie, a użytkownik powinien móc przejmować nad nimi kontrolę.

Gemini planuje, Genie 4 odgrywa scenę

Za spójność symulacji odpowiadają modele z rodziny Gemini. Genie 4 opiera się na możliwościach modelu wideo Gemini Omni, dzięki czemu świat wygląda i zachowuje się wiarygodnie. Pozostałe modele Gemini pomagają planować dalszy przebieg akcji. Gdy użytkownik zmieni pogodę tekstowym poleceniem, Gemini dostosowuje instrukcję do aktualnie trwającej sceny i czuwa nad tym, by wydarzenia między interakcjami rozwijały się sensownie.

Wieloetapowe zadania pod kontrolą Gemini 3.8 Flash

DeepMind ilustruje ten mechanizm zadaniami składającymi się z kilku kroków. Gemini 3.8 Flash stale obserwuje scenę, dzieli cel na etapy i na podstawie nowych klatek sprawdza, czy każdy z nich się powiódł. Kiedy świat się zmienia lub wkracza użytkownik, model koryguje plan.

Od szachów do humanoida Apollo

Firma testuje też Gemini 4 Argon, łącząc prace nad Genie z badaniami nad robotyką w ramach Gemini Robotics. W jednym z pokazów Argon rozbija partię warcabów na kolejne kroki, a Genie 4 otrzymuje je jako tekstowe instrukcje i symuluje grę humanoidalnego robota Apollo od Apptronik – bez udziału fizycznej maszyny.

Gdzie model wciąż się gubi

DeepMind określa Genie 4 jako wczesny, eksperymentalny model. Świat pozostaje spójny podczas krótkich sesji, ale w dłuższych symulacjach lub po serii złożonych zmian poleceń szczegóły wizualne mogą się rozjeżdżać, a obiekty nie zawsze zachowują trwałość. Zespół nadal prowadzi badania nad skomplikowanymi interakcjami fizycznymi, wiernym dźwiękiem w czasie rzeczywistym oraz czytelnym tekstem.

Dostęp, znakowanie i perspektywy

Na razie Genie 4 mogą wypróbować wyłącznie wybrani testerzy w ramach podglądu badawczego. Wkrótce model ma trafić do subskrybentów Google AI Ultra w aplikacji webowej Project Genie, a także do partnerów z wczesnym dostępem do Gemini API i Google AI Studio. Wszystkie nagrania wideo i ścieżki audio będą opatrzone niewidocznym znakiem wodnym SynthID.

Dojrzale modele świata mogłyby pełnić funkcję środowisk treningowych, w których roboty i agenci AI uczą się na symulowanym doświadczeniu, a nie wyłącznie na danych. DeepMind widzi w połączeniu Gemini z Genie wczesny krok ku hybrydowym modelom świata – łączącym rozumowanie modeli językowych i kodu z symulacją na poziomie pojedynczych pikseli.