Genie 4 研究預覽：原生音訊、雙層引導與兩分鐘模擬上限

Google DeepMind 於 2026 年 10 月 27 日正式公布新一代世界模型 Genie 4。這篇由研究人員 Raia Hadsell、Diego Rivas 與 Hang Qi 共同撰寫並刊登在 Google DeepMind 官方部落格 的技術公告指出，該系統能夠即時生成可操控的虛擬環境，同時原生同步產生匹配的音訊串流。同日，Google 也在 The Keyword 官方部落格 刊出介紹，宣布 Genie 4 作為即時互動模擬的新一代世界模型。而據 DeepMind 技術公告說明，使用者能透過標準鍵盤控制（standard keyboard controls）在場景中移動與調整鏡頭視角，並以自然語言提示詞即時引導環境狀態。

在實際交付層面上，Genie 4 目前是以「研究預覽」（research preview）的形式向受邀請的測試人員開放，並非直接上線的消費級功能。在軟體發布過程中，技術藍圖中的後續規劃經常與首日上線的實際範圍有所落差，這種現象在我們先前記錄分析 Model Garden 私人預覽與正式上線時程的落差時便曾詳細討論過。要釐清這項發布的實際進展，需要直接回到官方文件與具體報導所揭露的規格。

Genie 4 分階段釋出與 Project Genie 等候名單

Genie 4 的發布節奏採取分階段推進。依據 Google DeepMind 的官方說明，目前第一階段的研究預覽僅提供給外部受信任測試者（trusted testers）。這批測試人員分布在五個特定專業領域：創意產業、新聞、教育、遊戲以及工程。DeepMind 表示，團隊率先向受信任測試者釋出研究預覽，旨在於正式向消費者與開發者發布前收集各方回饋（gathering feedback before we release it to consumers and developers）。

在受信任測試者的實務測試中，官方列出了四類主要的使用情境： 第一類是創意指導（creative direction），影視製作人員與視覺藝術家能利用該系統快速建立場景草案，在同一個環境中嘗試不同的走位與運鏡鏡頭，並隨時調整光線與氛圍。 第二類是歷史場景（historical scenarios），新聞攝影記者（photojournalists）嘗試將單張靜態存檔照片轉換為可探索的模擬場景，並用以測試山洪暴發（flash flood）或野火（wildfire）等短期環境事件。 第三類是互動概念設計（interactive concept design），遊戲開發團隊直接透過提示詞與即時操控來驗證關卡構想與美術風格，在編寫遊戲引擎程式碼之前先取得可互動的雛形。 第四類是通用模擬（simulation），跨行業的企業合作夥伴正評估將 Genie 4 作為快速進行「從零到一」（zero-to-one）場景生成的工具。

完成受信任測試階段後，Google 規劃逐步向商業用戶與外部開發者開放存取。路線圖中規畫了兩條管道：一般用戶透過 Project Genie 提供給 Google AI Ultra 訂閱者，開發者則透過 Gemini API 與 Google AI Studio 存取。DeepMind 的公告中並未給出確切的日曆日期，僅表示即將推出（coming soon）。而 TechCrunch 的報導 則指出，Google 規劃在未來數週內（in the coming weeks）開始向 Project Genie 中的 Google AI Ultra 訂閱用戶釋出存取權。

Ars Technica 的專題報導 補充說明，Google 已經針對 Project Genie 開放了官方等候名單（waitlist）。後續的存取權限將與 Google AI Ultra 高階訂閱方案整合——該方案起價為每月 100 美元——而非無門檻的全面公測。Ars Technica 同時觀察到，Google 在發布初期並未公布獨立的 Genie 4 計費或 API 定價方案。在今年早些時候的文章中，我們曾探討過 Project Genie 在 Google AI Ultra 方案中所設定的服務框架與訂閱機制，當時該服務同樣以受控沙盒的形式提供。Genie 4 未來將作為 Project Genie 的核心生成技術，但一般訂閱用戶今日在操作介面上仍需等待名單審核，無法直接啟用。

評估維度	Google DeepMind 官方公布範疇	技術現狀與說明
目前可用範圍	面向受信任測試者的研究預覽	涵蓋五大領域：創意產業、新聞、教育、遊戲、工程
後續開放規劃	即將向 Google AI Ultra 訂閱戶釋出	等候名單已開放；TechCrunch 報導預計未來數週內逐步推進
開發者存取管道	Gemini API 與 Google AI Studio	早期合作夥伴管道仍在評估規劃中
連續模擬上限	穩定連貫性最長可達約兩分鐘	依據 TechCrunch 報導，時長為 Genie 3 的兩倍
音訊生成技術	視覺生成同時原生同步產出音訊	包含環境動態背景音、配樂與角色互動對白
內容標識機制	預設嵌入 Google SynthID 隱形浮水印	難以察覺的數位浮水印技術嵌入於生成的視訊與音訊軌道中

原生音訊同步整合與即時操控

依據 Google DeepMind 釋出的技術摘要，Genie 4 是該實驗室首個在進行即時視覺模擬的同時，能夠原生同步生成相符音訊的互動世界模型。

這套整合式的音訊推算機制能夠同時處理三個層次的聲音元素： 首先是環境氛圍音，例如強風呼嘯、海浪拍擊岩石、流水聲或是都市環境的日常背景雜音。 其次是情景背景音樂（background music）。 第三是虛擬角色的即時互動對話，模擬場景中的角色能夠開口發聲，並針對發生的事件與對話作出相應的回應。

將音訊生成直接整合於世界模型之內，能讓聲音訊號與畫面中的動態變化保持嚴格的時序同步。當虛擬物體與地面碰撞，或是角色突然轉身面向鏡頭時，發出的聲響能夠與相應影格精準對齊，減少非同步帶來的突兀感。SiliconANGLE 記者 Maria Deutscher 的報導 指出，Google 設計 Genie 4 的目標是支援遊戲、影視創作與機器人模擬領域的即時互動需求。

在操作方式上，Genie 4 支援多種輸入管道的即時引導。依據 Google DeepMind 官方部落格 的說明，使用者能使用標準鍵盤控制（standard keyboard controls）來導航並調整攝影機視角。同時正如 Google The Keyword 官方部落格 所述，操作者能夠在模擬執行過程中隨時輸入自然語言提示詞，動態調整世界參數。例如即時下達指令改變天空雲層厚度與光照條件、突然切換為暴雨天氣、重設鏡頭軌跡，或是在進行中的場景中加入新的角色與物件，而不需要中斷正在運行的模擬回圈。

針對生成式媒體的真實性追蹤，DeepMind 在 官方技術文章 中確認，Genie 4 所產出的全部視訊影格與音訊軌道，皆預設嵌入了 Google 自研的 SynthID 隱形浮水印。這項難以察覺的數位浮水印技術（imperceptible digital watermarking technology）會在生成的訊號中加入特徵，讓自動化驗證工具能夠有效識別出該影音檔案來自 AI 系統的生成。

Gemini Omni 物理錨定與 Flash 導演引導流程

在生成即時互動世界的過程中，模型需要同時維持微觀畫面的擬真度與宏觀情節的邏輯連貫。為了達成這個目標，Genie 4 在架構中深度整合了 Google Gemini 模型家族，相關的分工方式在 DeepMind 官方部落格 中有明確的記載。

該架構主要由兩個 Gemini 模型分別承擔不同的功能： 其一是 Gemini Omni，負責提供視覺與物理特徵的錨定基礎。DeepMind 在技術文件中指出，Gemini Omni 的職責是將模擬錨定在真實世界的外觀與行為中（anchors the simulations in real-world appearance and behavior）。 其二是將 Gemini 3.8 Flash 作為生成回圈內的常駐代理人（agent in the loop）。DeepMind 詳細描述了其核心工作流程：Gemini 會持續觀察場景，將目標拆解為一系列步驟，並檢視傳入的影格以追蹤進度與驗證各步驟是否成功；當環境發生變動或使用者介入時，Gemini 能即時調整其規劃。

這種將引導代理人納入回圈的設計，讓 Genie 4 能夠處理具備因果邏輯的多步驟操作。當使用者輸入一段需要分階段完成的複雜指令（例如引導載具穿越特定路段並停靠在指定位置）時，Gemini 3.8 Flash 會先將整體目標拆解成若干接續的步驟。隨後，代理人會持續檢視輸入的每一幀影格，確認當前動作是否已經確實達成，再指示生成核心推動下一個階段的事件。若使用者在半途中手動按下方向鍵強制轉向，代理人會即時捕捉這項外部干預，中斷原有的執行流程，並在同一個回圈中重新計算後續的場景動態。

DeepMind 在 官方技術文章 中公布了一項具備代表性的機器人技術實驗。在該項展示中，Gemini 4 Argon 負責將複雜的目標分解為連續動作，由 Genie 4 進行即時模擬，模擬了 Apptronik 的 Apollo 人形機器人進行跳棋（checkers）對弈，並將任務拆解為即時步驟。這項實驗展示了由高階推理模型負責步驟規劃、再由互動世界模型即時模擬實體棋盤與棋子移動的可行性，為智慧代理人的多步驟演練提供了驗證範例。

DeepMind 將這種架構定義為混合世界模型（hybrid world models）。透過將負責高階推理、步驟拆解與宏觀規劃的先鋒模型，與負責即時像素運算、攝影機導航及同步音訊產出的生成模擬層相結合，混合架構在抽象邏輯與連續感官模擬之間架起了一座橋樑。

兩分鐘模擬上限與官方記載之技術局限

雖然即時互動模擬展現了靈活的探索彈性，但客觀的測試數據同樣劃出了 Genie 4 目前的技術邊界。根據 TechCrunch 的技術評測，Genie 4 在持續進行的互動導航中，場景連貫性的維持時間上限約為兩分鐘，這項數值達到其前代模型 Genie 3 限制的兩倍。

兩分鐘（約 120 秒）的連續連貫時間，足以讓影視團隊預演一段鏡頭走位，或是讓遊戲開發者測試小範圍的互動機制。然而，如果讓模擬在缺乏外部約束的情況下持續運作超過兩分鐘，模型便會開始出現漸進式的漂移與變形。正如 DeepMind 所指出，隨著模擬時間拉長、在經歷多次複雜的提示詞編輯或漫遊導航時，視覺細節與物體恆存性（object permanence）仍可能隨時間產生偏移或漂移。在探索各類生成模型的實際應用時，基準測試的實測數據往往需要與理論推估審慎對照，這種情況正如我們在評析生成式視訊工具時所見，FLUX 3 Max 的生成耗時與宣傳數字需要經由精確的操作測試來檢驗。

DeepMind 研發團隊在 官方公告 的末段，列出了 Genie 4 現階段持續探索的五大技術局限與研究方向：複雜物理互動（complex physical interactions）、即時音訊準確度（real-time audio accuracy）、清晰渲染可讀文字（rendering legible text）、空間精確度（spatial accuracy）以及長期一致性維持（long-term consistency）。在虛擬環境中生成清晰的字體標籤或標牌依然存在難度；涉及細緻機械接觸與密集碰撞的物理行為仍可能產生物理瑕疵；同時確保即時生成的音訊在各類情境下保持高度真實準確，以及維持長期的空間格局一致性，皆屬於後續版本的研發重點。

正如 Quartz 引述彭博社（Bloomberg）對 DeepMind 團隊的採訪所指出，兩分鐘的模擬時長目前仍屬於早期探索指標。DeepMind 研究工程師 Hang Qi 向彭博社坦言，達到兩分鐘的上限並不能保證場景全程都能完美保持一致。DeepMind 研究總監 Tejas Kulkarni 則進一步說明，要在滿兩分鐘的互動過程中維持完全一致性，需要 AI 模型真正深刻理解日常現實中的物理法則。

認識這些客觀局限，有助於精確理解 Genie 4 當前在實務應用中的落點。它適合用作短時間鏡頭預演與局部的概念原型測試，但目前尚不具備無限制長久運作而不需重設狀態的能力。

機器人學訓練沙盒與後續發展時間軸

在娛樂內容與影視創意的應用之外，Google DeepMind 始終將 Genie 系列視為發展具身人工智慧（Embodied AI）的底層訓練工具。作者 Raia Hadsell、Diego Rivas 與 Hang Qi 在公告中表示，互動世界模型是通往通用人工智慧（AGI）的重要基石，尤其在機器人自主學習領域展現出實用潛力。

傳統的實體機器人開發經常受制於真實世界資料獲取的成本與風險。若在現實環境中直接訓練四足機器人穿越障礙物，或是訓練機械手臂抓取易碎物品，硬體損壞的維修費用與安全風險都讓高頻率的試錯變得困難。透過動態生成能夠回應控制輸入的虛擬世界，Genie 4 提供了一個能在沒有實體硬體磨損負擔下反覆演練的模擬環境。前述 Apptronik Apollo 人形機器人的跳棋實驗，正是這種結合高階規劃代理人與即時物理模擬沙盒的具體案例。

評估 Genie 4 的技術進展，需要平衡看待其功能突破與近期的開放步調： 現階段的存取資格嚴格限制在五大指定領域的受邀測試者，其餘使用者需要等待後續 Project Genie 的擴大釋出。 Project Genie 等候名單構成了下一階段的存取門檻，未來的使用權限與起價每月 100 美元的 Google AI Ultra 訂閱方案緊密相連。 官方記錄的五大技術局限以及兩分鐘連貫性上限，清晰界定了模型當前適合發揮的實作場景。

DeepMind 工程師 Diego Rivas 向彭博社表示，團隊目前仍處於研究階段，還沒走到最終產品那一步（“We’re still in the research journey. We’re not necessarily in the end product journey”，據 Quartz 轉述）。TechCrunch 也記錄到，Rivas 在簡報中強調 Genie 4 仍處於早期，端到端的產品體驗會是什麼樣子，目前還不清楚。