外观
新闻Google DeepMind今天
DeepMind发布Genie 4世界模型：原生音频生成与实时交互模拟
本文由 AI 根据公开内容整理，可能有误，请以原文为准：Genie 4: A new generation of world simulation（Google DeepMind：Blog（RSS）（via AIHOT））
核心内容
Google DeepMind正式发布新一代世界模型Genie 4，核心突破在于实现照片级真实感的实时交互模拟能力。该模型不仅提升了视觉生成的保真度，更首次在实时世界模型架构中原生集成了音频生成模块，支持环境音效与人物对话的同步产出，标志着世界模型从纯视觉向视听多模态实时仿真的关键跨越。
Genie 4的技术特性直接服务于具身智能训练场景，其原生音频生成机制允许智能体在仿真中进行基于语音的实时交互，而非后期配音。这种视听同步的实时反馈闭环，结合照片级视觉渲染，显著缩小了Sim-to-Real差距，为机器人策略学习提供了包含声学语义的高维物理世界模拟器，强化了复杂动态环境下的泛化验证能力。
关键看点
- 原生音频生成：首次在实时世界模型中集成音频模块，支持环境声与人物对话的原生生成，无需外部TTS或音效库拼接
- 实时交互模拟：具备低延迟实时响应能力，支持用户或智能体动作驱动的场景动态演变，满足在线强化学习时序要求
- 照片级真实感：视觉生成质量达到照片级标准，提升仿真环境与真实物理世界的视觉一致性，降低Sim-to-Real迁移成本
- 多模态仿真基座：视听同步生成机制为具身智能提供包含声学语义的高维训练场，支持语音交互策略的端到端验证
工程与产业观察
Genie 4将世界模型从视觉扩展至视听多模态实时仿真，原生音频生成填补了具身智能语音交互训练的空白。其照片级渲染与实时响应能力，使其成为验证机器人复杂任务规划与人机协作策略的高保真数字底座，加速Sim-to-Real闭环迭代效率。
线索来源：AIHOT
来源
本页事实对应的公开页面，以原文为准。