Google DeepMind показала модель мира Genie 4 со звуком и речью героев

Genie 4 на ходу строит фотореалистичный мир, по которому можно ходить, озвучивает его и даёт героям говорить; пока модель есть только у тестировщиков.

Google DeepMind представила Genie 4 — модель мира¹, которая на ходу строит фотореалистичную сцену: по ней можно ходить с клавиатуры, менять её текстом и слышать звуки и речь героев.

Почему это важно: это первая модель мира Google, которая в реальном времени сама создаёт звук, вплоть до разговоров персонажей. В таких симуляциях компания хочет безопасно учить и проверять роботов и ИИ-агентов, прежде чем выпускать их в настоящий мир.

Предыстория: прошлую версию, Genie 3, DeepMind показала в августе 2025 года. 29 января 2026-го Google открыла на ней сервис Project Genie для подписчиков Google AI Ultra в США. Прогулка по миру там ограничена 60 секундами, а менять мир текстом по ходу на запуске было нельзя.

Детали: в соцсети X компания назвала Genie 4 своей самой реалистичной и интерактивной моделью мира. Вот что она умеет:

Текстом можно на ходу сменить погоду, повести камеру, добавить человека или предмет, а Gemini подгоняет запрос под то, что уже происходит в сцене.
Модель воспроизводит аэродинамику и столкновения, а главным скачком DeepMind называет людей: они двигаются естественно, реагируют на окружение, и ими можно управлять прямо по ходу.
У каждого мира свой звуковой фон, от ветра в деревьях до прибоя, а персонажи разговаривают и отвечают на реплики пользователя и события вокруг.

Как это работает: сцену рисует сама Genie 4, а в неё встроены возможности Gemini Omni² — они привязывают картинку к тому, как выглядит и ведёт себя настоящий мир. Рядом работает отдельная модель, Gemini 3.8 Flash. Когда в сцене нужно разыграть сложное событие из нескольких шагов, она разбивает его на шаги и по новым кадрам проверяет, удался ли каждый. Если вмешался пользователь, она меняет план.

Интрига: в паре с ещё одной моделью семейства Gemini, Gemini 4 Argon, Genie 4 смоделировала, как человекоподобный робот Apollo компании Apptronik играет в шашки. Argon служила планировщиком: разбивала задачу на шаги и по ходу передавала их Genie 4 текстовыми подсказками, а та дорисовывала сцену.

Расклад: модель уже пробуют группы тестировщиков из кино, журналистики, образования, игр и инженерии:

Режиссёры заходят в живую сцену и снимают несколько дублей, на ходу меняя ракурс, свет, реплики и действие.
Фотожурналисты за секунды превращают один архивный снимок в мир, по которому можно пройтись, и показывают, как развивается внезапный паводок или лесной пожар.
Разработчики игр собирают прототип, по которому уже можно ходить, ещё до первой строки кода для игрового движка.

Общая картина: понимание и симуляцию мира DeepMind считает важной частью пути к общему искусственному интеллекту³. Следующим шагом компания видит гибридные модели мира: Gemini продумывает устройство мира и ход событий, а Genie пиксель за пикселем рисует, как он выглядит, звучит и отвечает на действия. Похожую связку Google Research в сентябре показала для видео: агенты на Gemini планировали сюжет длинного фильма, а снимала его модель Veo.

Но: Genie 4 остаётся экспериментальной. На коротких сессиях мир держится, но детали и предметы со временем могут меняться — особенно в долгой симуляции, после нескольких сложных правок и при перемещении по сцене. Над сложной физикой, точностью звука, читаемым текстом и долгой согласованностью мира ещё работают.

Что дальше: пока Genie 4 получили только доверенные тестировщики. Следующими компания обещает открыть её подписчикам Google AI Ultra в Project Genie и партнёрам с ранним доступом в Gemini API и Google AI Studio. Дату она не назвала, лист ожидания уже открыт.

Всё видео и звук, созданные Genie 4, будут помечены незаметным водяным знаком SynthID⁴.