В мирах Genie 4 от Google DeepMind появились звук и речь

Google DeepMind 27 октября анонсировала Genie 4, модель мира, которая в реальном времени строит интерактивную сцену и сразу её озвучивает: фоновыми шумами, музыкой и репликами персонажей. Работают с ней пока только доверенные тестировщики исследовательского превью. Подписчикам Google AI Ultra в Project Genie и ранним партнёрам Gemini API и Google AI Studio модель обещают «скоро», без даты.

Всем остальным Google DeepMind в анонсе Genie 4 предлагает лист ожидания в Project Genie. Сам Project Genie, веб-прототип на Genie 3, Nano Banana Pro и Gemini, Google открыла 29 января 2026 года подписчикам Google AI Ultra в США старше 18 лет. У Genie 3 путь был похожий: после августовского превью 2025 года модель давали доверенным тестировщикам, а до Project Genie она добралась только в конце января.

Gemini в контуре

Модель мира предсказывает, как меняется среда и как на неё влияют действия пользователя, и генерирует следующий отрезок сцены на ходу. В Genie 4 по сцене ходят и крутят камеру с клавиатуры, а текстовыми подсказками меняют погоду, двигают камеру или добавляют человека и предмет. Gemini подгоняет подсказку под окружение, а между вводами пользователя сам следит за сценой, чтобы мир развивался связно.

Опираются здесь на семейство Gemini. Gemini Omni отвечает за то, чтобы симуляция выглядела и вела себя как реальный мир, другие модели Gemini дают рассуждения, которые держат сцену цельной. Для сложных многошаговых событий Gemini 3.8 Flash работает агентом в цикле: смотрит на сцену, раскладывает цель на шаги, проверяет новые кадры и подтверждает, что каждый шаг удался. Если мир сдвинулся или вмешался пользователь, план перестраивается на ходу.

Тот же приём Google DeepMind пробует в робототехнике вместе с Gemini Robotics. В демонстрации Gemini 4 Argon разбивает задачу на шаги и передаёт их Genie 4 текстовыми подписями прямо во время рендеринга: так симулировали гуманоида Apollo от Apptronik, который играет в шашки.

Из нового в самой генерации - физика вроде аэродинамики и столкновений, а также люди, которые двигаются естественно, реагируют на окружение и поддаются управлению в реальном времени. Звук Genie 4 генерирует сама, и для Google DeepMind это первая модель мира реального времени с родным аудио: у каждой сцены свой фон, от ветра в деревьях до прибоя, а персонажи разговаривают и отвечают на действия пользователя и события в мире.

Что делают тестировщики

Доверенные тестировщики работают в креативных индустриях, журналистике, образовании, геймдеве и инженерии. Кинематографисты используют Genie 4 как черновой режим для превизуализации: заходят в живую симуляцию сцены и снимают несколько дублей подряд, меняя ракурс, свет, реплики и действие. Фотожурналисты за секунды превращают одну архивную 2D-фотографию в симуляцию того места. Разработчики игр доводят идею до прототипа, по которому можно ходить, и проверяют визуальный стиль, материалы и механики текстовыми подсказками до того, как написать хоть строчку кода для движка. Корпоративные партнёры оценивают модель как быстрый способ сгенерировать сценарий с нуля.

Где модель плывёт

Google DeepMind сама называет Genie 4 «ранней экспериментальной моделью». Связную среду она держит на коротких сессиях, а на длинных, после нескольких сложных правок промптом или при перемещении по сцене визуальные детали и постоянство объектов могут уплывать. Сложные физические взаимодействия, точность звука в реальном времени, читаемый текст в кадре, пространственная точность и долгая согласованность пока остаются задачами для исследований. Длину сессии и разрешение для Genie 4 Google DeepMind не называет. Для сравнения, у Genie 3 в августе 2025 года было 720p, 24 кадра в секунду и память на одну минуту.

Перед превью Genie 4 прошла внутренние проверки безопасности, а её фильтры, по словам Google DeepMind, соответствуют правилам для других моделей компании. Всё видео и аудио из Genie 4 будет нести SynthID, незаметный водяной знак Google, по которому распознают сгенерированный контент и в картинке, и в звуке.