外观
新闻X今天
DeepMind发布Genie 4实时世界模型，原生音频支持具身交互仿真
本文由 AI 根据公开内容整理，可能有误，请以原文为准：> Genie 4 is Google DeepMind’s first real-time world model with native audio, generating ambient sound, music and live dialogue from char...（X：Rohan Paul (@rohanpaul_ai)（via AIHOT））
核心内容
Google DeepMind正式发布Genie 4，这是其首款集成原生音频生成能力的实时世界模型。该模型突破了传统视觉主导的世界模拟范式，能够同步生成环境音效、背景音乐以及具备上下文理解能力的角色对话，实现了视听一体化的实时交互反馈，标志着世界模型从纯视觉向多模态感知的关键演进。
Genie 4的核心技术特征在于支持可编辑模拟与事件驱动的音频生成机制。模型不仅能被动渲染画面，还能根据用户指令或虚拟世界内的物理事件触发相应的声音反馈与对话逻辑。这种原生多模态对齐能力解决了以往仿真中音画分离的痛点，为机器人策略训练提供了更接近真实物理世界的闭环验证环境。
关键看点
- 原生音频生成：首次在世界模型中集成音频模块，支持环境音、音乐及对话的实时合成，无需外挂TTS或音效库。
- 事件驱动响应：角色对话与环境音效可由世界内状态变化或用户交互实时触发，实现视听因果逻辑对齐。
- 可编辑模拟：支持对生成内容进行干预与修改，允许开发者自定义仿真场景规则以适配特定具身任务测试。
- 实时交互闭环：作为实时世界模型，保障了多模态生成的低延迟特性，满足强化学习在线训练与评估需求。
工程与产业观察
Genie 4将世界模型从视觉预测扩展至视听联合表征，填补了具身仿真中高保真听觉反馈的空白。对于算法工程师而言，这意味着可以在更逼真的多模态环境中进行Sim-to-Real迁移验证；原生音频的事件驱动机制也为研究机器人听觉感知与语言交互的联合策略提供了新的基础设施。
线索来源：AIHOT
来源
本页事实对应的公开页面，以原文为准。