Google DeepMind Genie 4 实操指南：怎样测试实时世界、原生音频与机器人场景

Google DeepMind 在 2026 年 10 月 27 日公布 Genie 4。它最值得关注的不是“又能生成一段更逼真的视频”，而是用户能在画面持续生成时移动、转向、输入新指令，世界再根据当前状态继续发展。声音也不是后期贴上的独立轨道：环境声、人物对话和动作反馈由模型随世界一起生成。

但 Genie 4 目前仍是研究预览。它先向可信测试者开放，面向 Google AI Ultra 订阅者和开发者的访问仍属于“即将开始”的后续范围；长期一致性、文字、复杂交互与实时音频准确性也有明确限制。本文面向创意技术人员、游戏原型团队、机器人研究者和准备评估世界模型的产品负责人，给出一套短时、可记录、能复查的测试方法。没有资格的团队也可以先把提示词、动作脚本和验收表准备好，避免拿到入口后只看一遍演示就下结论。

先弄清 Genie 4 在实时循环里做什么

普通文生视频常以“一条提示词换一段成片”为基本单位。Genie 4 的基本单位更接近一个持续演化的会话：先用文字或参考画面建立世界，用户用标准键盘控制导航和镜头，再用文字改变天气、加入人物、移动镜头或触发事件。模型要根据已生成的状态推演下一刻，而不是每次都从空白画布重做。

官方同时说明，Genie 4 建立在 Gemini 家族能力之上。Gemini Omni 用于把模拟锚定在现实世界的外观和行为；其他 Gemini 模型提供维持连贯性所需的推理。在复杂事件演示里，Gemini 3.8 Flash 是循环中的引导代理：它观察传入画面，把目标拆成步骤，核对每一步是否发生，并在场景变化或用户介入时调整计划。这里的分工很重要——Genie 4 负责即时的感官世界，Gemini 负责结构、步骤和进度判断。

图 1：官方展示的实时塑形场景。测试时要记录“输入了什么、此前世界是什么状态、改变后保留了哪些对象”，不能只保存最后一帧。

这个循环并不等同于传统游戏引擎。它没有向公众承诺确定性的碰撞系统、可导出的场景图、固定帧率 API 或可重复的物理求解。把它用于概念验证时，应先问：“这次要观察的是视觉连续性、声音响应、动作结果，还是任务规划？”一次只测一到两个维度，才知道失败来自哪里。

四项能力怎样落到可观察的结果

实时塑形：修改世界，而不是重开一段视频

官方演示允许用户在世界运行时描述景观和事件、移动镜头、加入角色或改变天气。可操作的测试方式是先锁定一个基准场景，例如“阴天湖面上的浮台，一名萨克斯手站在发光球体旁”，走近人物并绕到浮台背面；随后只改一个变量：“雨势逐渐加强，但人物、乐器、浮台和镜头位置保持不变。”

记录三类结果：新增天气是否出现；旧对象是否仍在正确位置；镜头移动后回到原处时，人物服装、球体和植被是否保持。若一次提示同时要求换季、换人、移动镜头和改变画风，即使结果不好，也难以知道是哪项编辑破坏了状态。

物理和人物动作：看过程，不只看漂亮的起始帧

Genie 4 的公开画面包含碰撞、水流、风吹树木，以及人物在场景中的移动与反应。官方把空气动力学、碰撞和人类动作列为现实感提升的重点，但这不等于它已经成为工程级物理仿真器。创作者可以用它检查镜头是否“看起来可信”；机器人或安全团队则不能把视觉合理直接当成质量、摩擦力或接触力的测量值。

图 2：物理与动作画面适合做预演和异常发现；没有标定值、误差范围与重复实验时，不能替代工程仿真。

建议用三段动作测试：对象静止五秒，施加一个清楚动作，再观察结果五秒。例如让西瓜从石台滚落，检查重力方向、接触瞬间、落地后的运动和环境声音；或让人物从后台走到舞台入口，检查手脚、遮挡、服装和路线是否连续。把“水花方向突然反转”“手部数量改变”“遮挡后人物换衣”等症状写成标签，之后才能比较不同会话。

原生音频：声音跟随世界，但仍需单独验收

Genie 4 是 DeepMind 首个原生生成音频的实时世界模型。官方描述包括脚步踩叶、观众欢呼、环境声，以及角色与用户或其他角色的即时对话。这里的“原生”表示声音与世界同时生成，并不表示每个声源都具备可编辑的独立音轨，也不表示口型、空间位置和语义永远准确。

图 3：原生音频要从时间、空间和语义三条线验收：何时响、从哪里来、说了什么。官方也把实时音频准确性列为持续改进项。

一个可复用的音频检查表包含四项：动作发生后声音延迟是否明显；镜头转向时声源方位是否跟随；环境声是否与天气和材质匹配；人物对话是否回应了刚发生的事件。若要用于成片预演，再加上对白一致性、口型、噪声突变和版权风险检查。把模型生成的声音当作草案比当作最终混音更稳妥。

复杂事件：Gemini 3.8 Flash 负责“看、拆、验、改”

复杂事件不是靠一条长提示词祈祷模型完整执行。官方说明 Gemini 3.8 Flash 会持续观察 Genie 4 的画面，将目标拆成步骤，读取新帧判断步骤是否成功，世界或用户动作变化后再改计划。可以把它理解为一个闭环：目标进入规划器，步骤作为文字引导世界，画面返回给规划器检查，然后选择继续、重试或改路。

图 4：复杂事件的价值在闭环，而不是提示词长度。评估时保存每一步的目标、观察证据、成功条件与改计划原因。

以“机械臂拿起移液器，把液体滴入培养板”为例，先定义可见的成功条件：夹爪到达移液器手柄、抓取后工具没有漂移、吸液动作发生、尖端进入目标孔位、液滴出现。若只写“完成实验”，模型即使跳过吸液也可能生成一个看起来结束了的画面。步骤与画面证据成对记录，才能判断引导代理是在检查结果，还是仅按预先脚本继续发指令。

创作团队可以怎样做一次 20 分钟预演

设想一支广告短片：傍晚的海边公路，一辆摩托车停在红灯前；信号灯转绿后车辆前行，海风、引擎声和远处浪声随镜头变化。传统流程可能先画分镜、找参考、做粗动画，再录临时声音。Genie 4 更适合插在“想法到分镜确认”之间，快速探索机位、光线和动作节奏，而不是直接替代拍摄、授权和后期。

第一次会话只建立世界，固定天气、道路方向、海岸位置、镜头高度和摩托车视角。第二步用键盘向前移动和转头，确认右侧海岸没有在转向后跳到左边。第三步输入单变量事件：“红灯保持三秒后变绿，骑手平稳起步。”第四步加入声音要求，明确引擎怠速、风和海浪，不加画外音乐。第五步回看记录，标出交通灯、道路、仪表盘、声音方位和动作节奏的失败点。

提示词可用以下骨架，不需要堆满摄影术语：

世界：地点、时间、天气、关键物体及固定空间关系。
视角：第一人称或第三人称，镜头高度、运动方式和禁止切镜。
事件：先发生什么，触发条件是什么，之后发生什么。
保持：角色外观、物体数量、材质、道路方向和光照连续。
声音：环境声、动作声、对白；明确不需要的音乐或旁白。
验收：可从画面或声音直接确认的 3—5 项结果。

若团队在 Code0 中组织这类实验，可以把“世界描述”“动作脚本”“失败标签”“选中帧”和“结论”分成独立工件，并让另一名成员依据录像复核。不要让发起实验的人只凭记忆给自己的结果打分。当前没有一手资料证明 Code0 已原生接入 Genie 4，因此本文建议的是项目协作方法，不是产品能力宣称。

Gemini 4 Argon 与机器人实验说明了什么

DeepMind 还展示了 Genie 4 与 Gemini Robotics、Gemini 4 Argon 的研究实验。官方例子中，Argon 把用户任务拆成多步计划，步骤以文字说明在 Genie 4 渲染时交错输入；另一个画面展示 Apptronik Apollo 人形机器人下跳棋。它说明语言模型的计划可以在生成世界运行时持续影响模拟，为大量不同场景的机器人训练与测试提供方向。

图 5：机器人例子是“规划步骤进入生成式模拟”的研究演示。它没有证明策略已经通过真实机器人部署、精确动力学或安全认证。

从研究演示到真实机器人，中间至少有四道门槛。第一，状态可测量：画面中的位置变化能否转成稳定坐标、接触和力信息。第二，动作可执行：模拟中的指令能否映射到具体机器人关节和控制周期。第三，误差可量化：同一任务重复运行时，成功率、碰撞率和偏差是多少。第四，现实可迁移：在光照、摩擦、传感噪声与硬件延迟改变后，策略是否仍安全。

因此，现阶段更稳妥的机器人用途是扩大场景构思、生成边缘案例、预演任务分解，再把候选任务送进可测量的仿真器和真实硬件验证。不要从一段视觉连贯的演示推导“物理精确”或“可直接训练生产机器人”。

用一张表跑完短时测试

Genie 4 的官方限制决定了测试应短而有结构。开始前保存完整提示词、参考图、资格入口和日期；录屏从世界创建前开始；每次只做一项编辑，并记录键盘动作和文字输入的时间点。会话结束后，不挑最好看的几秒，而是按相同标签检查整段。

官方没有发布一套适用于所有任务的精确评分标准。团队可以自建五级量表，但必须把分数绑定到可见证据。例如“一致性 4/5”应附上录像时间码和缺陷说明，而不是一句“整体不错”。生成内容还会带有 SynthID；对外展示时仍应说明这是 AI 生成模拟，不能把历史场景、新闻画面或真实地点的近似画面包装成现场记录。

资格、时长和限制应该怎样准确表述

截至发布日，Genie 4 已作为研究预览提供给可信测试者。官方写明，接下来会从 Project Genie 的 Google AI Ultra 订阅者，以及 Gemini API 和 Google AI Studio 的早期访问合作方开始。可采取的动作是加入官方候补名单并等待账号通知；购买订阅不应被写成已经立即获得 Genie 4 的保证。

关于时长，Genie 4 产品页的措辞是可支持“几分钟”的连续交互，而非长时间会话。官方发布页也强调短时会话的一致性，并把长期一致性列为后续研究。没有可靠依据把它改写为固定的 120 秒上限；界面、测试批次或账号若显示具体值，应记录为该次测试条件，不能升级成所有用户的产品规格。

限制可以按六类登记：长时间运行或多次复杂编辑后，视觉细节与物体永久性可能漂移；用户、多个独立代理与共享环境之间的复杂交互仍难准确建模；真实地点不能保证完美还原；可读文字往往需要在输入描述中明确提出；连续交互面向短会话；实时音频准确性仍在改进。机器人测试还要额外记录物理量不可测、控制接口和现实迁移问题。

发布或采购前的判断清单

创作团队可以把 Genie 4 当成“可走进去的动态草稿”，用于机位探索、场景预演和互动概念验证；游戏团队可用它验证氛围、材料和玩法假设；教育与新闻团队可以探索历史空间或短时环境事件，但必须醒目标注生成属性并单独核对事实。机器人团队可研究任务分解和场景生成，不能跳过确定性仿真与真实硬件测试。

在批准试点前，负责人应能回答：账号是否收到明确资格；本次结论只覆盖哪个预览版本；输入和录像是否可保存；成功条件能否从画面或声音直接观察；失败标签是否包含漂移、文字、音频和空间错误；是否有人独立复核；对外素材是否标明 AI 生成；是否避免输入无权使用的人脸、地点或机密资料。答不全时，先做内部实验，不要承诺生产交付。

资料来源

• Google DeepMind：Genie 4 官方发布
• Google DeepMind：Genie 4 产品页、资格与限制
• Google DeepMind：早期 Genie 研究论文页面
• Google DeepMind：Gemini 4 Argon 模型卡

常见问题（FAQ）

Genie 4 已经对所有 Google AI Ultra 用户开放了吗？

没有。官方状态是可信测试者研究预览，并称后续将从 Project Genie 的 Google AI Ultra 订阅者及 Gemini API、Google AI Studio 的早期访问合作方开始。是否获得权限以账号通知和实际入口为准。

Genie 4 的连续交互上限是不是 120 秒？

不能这样写。官方公开表述是支持“几分钟”的连续交互，而非长会话，并指出长期一致性仍有问题。某个测试界面的具体时长只能作为该账号、该版本的观察记录。

Gemini 3.8 Flash 和 Genie 4 分别做什么？

在官方复杂事件方案中，Gemini 3.8 Flash 观察画面、拆解目标、检查步骤并动态调整计划；Genie 4 实时生成世界的视觉、声音和响应。两者形成规划—生成—观察—调整的闭环。

可以直接用 Genie 4 训练真实机器人吗？

目前不应据此下结论。Gemini 4 Argon 与机器人画面是研究实验。真实训练还需要可测量状态、动作接口、误差统计、确定性仿真、硬件安全与现实迁移验证。

没有试用资格，现在最值得准备什么？

准备一个边界清楚的短任务、单变量提示词、键盘动作脚本、成功条件、失败标签和录屏复核表。获得资格后先验证一个结论能否重复出现，再扩大场景复杂度。