A Google DeepMind bemutatta a valós időben reagáló Genie 4-et
A Google DeepMind bemutatta a Genie 4-et, egy új világmodellt, amely valós időben interaktív, részletgazdag szimulációkat hoz létre. A rendszer a képi világ mellett környezeti hangokat, zeneszerű hangzást és párbeszédeket is képes generálni.
- A Genie 4 a Google DeepMind új, valós időben működő világmodellje.
- A modell képeket, környezeti hangokat és interaktív párbeszédeket is generál.
- Természetes nyelvű utasításokkal módosítható az időjárás, a kamera és a jelenet tartalma.
- A rendszer fizikát, emberi mozgást és környezethez igazodó karakterreakciókat szimulál.
- A Genie 4 először megbízható tesztelők kutatási előzeteseként érhető el.
Valós időben változó, multimodális világok
A Genie 4-ről szóló bejelentést 2026. október 27-én tette közzé a Google DeepMind. A vállalat szerint a modell a korábbiaknál valósághűbb, valós időben bejárható szimulációkat tesz lehetővé. A Genie 4 natívan multimodális, így a létrehozott világokkal együtt hangok, környezeti zajok és interaktív párbeszédek is készülhetnek.
A modell a Gemini család képességeire épít. A Google DeepMind leírása szerint a Gemini Omni a szimulációk valósághű megjelenését és viselkedését alapozza meg, más Gemini-modellek pedig az összetett következtetést biztosítják. Ennek segítségével a Genie 4 egy elindított esemény után azt is szimulálja, hogyan reagál a környezet, hogyan mozognak és beszélnek a szereplők, illetve milyen hangok kísérik a történéseket.
Természetes nyelvvel alakítható a jelenet
A bemutatott interakciókban a felhasználók billentyűzetes vezérléssel navigálhatnak és irányíthatják a kamerát, miközben szöveges utasításokkal módosítják a jelenetet. A Google DeepMind példái között szerepel az időjárás megváltoztatása, a kamera mozgatása, valamint új szereplők vagy tárgyak beillesztése.
A Gemini a környező jelenethez igazítja a felhasználói kéréseket. A bemutató szerint az utasítások között is figyeli és vezeti a történéseket, hogy a világ következetesen haladjon tovább. A leírt jelenetek között található ködös tó lebegő platformmal és szaxofonozó férfival, virágos domboldalon áramló rózsaszín szaténszövet, valamint antarktiszi táj hőlégballonokkal.
A modell a Google DeepMind szerint fejlettebb fotórealizmust, folyékonyabb mozgást és natív hangot kínál. A bemutatóhoz mellékelt hangok közvetlenül a Genie 4-ből származnak.
Fizika, emberi mozgás és párbeszéd
A Genie 4 valósághű fizikai jelenségeket is szimulál, köztük aerodinamikát és ütközéseket. A Google DeepMind kiemeli az emberi szereplők modellezését: a karakterek természetesen mozognak, reagálnak a környezetükre, és valós időben irányíthatók.
A rendszer egyik fontos újdonsága a natív hanggenerálás. A szimulációkban a környezet saját hangvilágot kaphat, például fák között fújó szelet vagy parton megtörő hullámokat. A modell interaktív párbeszédet is létrehoz, amely a vállalat szerint menet közben alkalmazkodik a felhasználói inputokhoz és a világban bekövetkező eseményekhez.
A Google DeepMind a Genie 4-et olyan technológiai alapként mutatja be, amely segíthet biztonságos, korlátlanul változtatható szimulációk készítésében. A vállalat szerint ezek robotok és ügynökök oktatási környezetének fejlesztésére, valamint új interaktív élmények létrehozására is használhatók.
Korlátozott kutatási előzetesként indul
A Genie 4 bevezetése kutatási előzetesként kezdődött, egyelőre megbízható tesztelők bevonásával. A Google DeepMind visszajelzéseket gyűjt, mielőtt a rendszert a fogyasztók és a fejlesztők számára is elérhetővé teszi.
Az első szélesebb hozzáférés a Google AI Ultra előfizetőivel indul a Project Genie keretében. A vállalat emellett a Gemini API és a Google AI Studio korai hozzáférési partnereit is megjelölte a következő kör résztvevőiként. A Project Genie használatához várólistára lehet jelentkezni.
Google DeepMind: Genie 4: A new generation of world simulation
