Google DeepMind 近日推出新一代世界模型 Genie 4。与此前版本相比，新模型将重点放在实时交互模拟能力上，同时在画面真实感方面进一步提升至照片级水准。

值得关注的是音频能力的引入。Genie 4 首次在实时世界模型中原生生成音频，覆盖环境声与人物对话两类场景，且人物对话支持实时交互。这意味着模型在生成视觉内容之外，同步构建了可响应的声音环境。

从技术路径看，实时性与原生音频的结合对世界模型的推理效率和多模态协同提出了更高要求。Genie 4 将交互性从视觉层面延伸至听觉层面，使模拟环境的信息维度更加完整。

对 AI 行业而言，这一进展为世界模型在交互式内容、仿真训练等方向的应用提供了新的能力基础，其实时音频生成的实际表现与可用性仍有待进一步观察。