AI世界终于会开口说话！谷歌Genie 4能骑龙、下雨、加角色，电影创作者已在用它试镜头

谷歌DeepMind在2025年8月发布Genie 3之后，又一次用一场震撼的演示，让AI从“看世界”直接跨入“玩世界”的门槛。2025年10月27日，美国当地时间，谷歌发布新一代世界模型Genie 4的研究预览。不同于以往的静态图像或短视频，这次用户不仅能四处探索，还能听见风声、水声、音乐，甚至让场景里的人物开口接话。更惊人的是，用户只需一句文字，就能随时修改天气、加入新角色，AI会继续无缝生成后续画面，仿佛一台会实时编故事的超强叙事引擎。

骑龙、坐热气球，想去哪里自己控制
最直观开头就是骑黑龙掠过山谷。视角牢牢锁定在骑手位置，黑龙头颈近在眼前，其他龙影在后方飞过，山谷渐渐让位于一座充满投石机的城堡。下方保留着键盘按键，用户只需按方向键就能决定往哪飞、怎么转向。谷歌为这段演示准备了长达几十字的严谨场景设定：山地竞速、风声振翅、远处轰鸣……镜头绝不能跳到第三人称，必须永远保持在骑手视角。If suddenly cut far, you instantly become the旁观者。这份极致沉浸正是Genie 4最大的杀手锏——它不是生成一张图，而是实时续写一个可交互的世界。

想安静下来？可以换到湖边萨克斯。穿棕色西装的男子站在平台上，手指轻触乐器，周围野草、树木、暖光球体和雾蒙蒙的水面全部在16毫米胶片质感下柔和呈现。声音只有湖水、风和萨克斯，不带任何多余配乐。You可以慢慢走近乐手也能转头看远方湖面。突然想加点惊喜？右上角的追加指令记录着：鲸鱼尾巴从水面慢慢露出来，同时保持原有的胶片质感。AI不仅没有重置一切，而是顺着你的临时念头继续生成——这正是“边玩边改”真正意义上的实现。

南极高空演示则换到了热气球视角。冰川铺满地平线，用户仿佛就站在篮筐里，皮革包边、支撑杆、链条的细节让人心生置身其中的真实感。几组演示的共同输入方式就是：按键控制移动，文字补充“发生什么”。每次改变方向或提出要求，模型都要继续生成后面的画面，而不是像老模型那样把一段固定视频快进快退。

场景有了声音，里面的人也能接话
这次最容易被忽视却最震撼的升级就是原生音频。Genie 4不仅生成画面，还能同步生成环境音、背景音乐和角色对白。湖面可以有真实水声和乐器声，飞行时风声呼啸，人物则会根据你的要求或眼前发生的事开口接话。用户中途改剧情，对白不会卡死，而是顺着新情况自然延伸。

沃顿商学院教授伊桑·莫利克率先用它玩了一个“机器人和马居住的新哥特式粗野主义城市”，不到一分钟就生成了。接着他又加龙、加友好的水獭NPC，整个过程实时进行。另一段更荒诞的办公室改装：电脑在放《毁灭战士》，墙壁也在播放，他一句一句要求“让恶魔同事出现，给自己发奖金”。用户不必预先写剧本，直接在里面逛一圈，边走边补细节——这才是真正的“玩得下去”。

谷歌还演示了一个全部由彩色玻璃构成的世界。山脉像层叠的玻璃板，河流是半透明的蓝色，花朵带着晶体棱角。镜头在其中穿行，任何物体都必须保持玻璃材质，不能突然混进真实石头和植物。莫利克也承认，加入的东西是否能一直留下来、行为是否合理，仍需时间验证。

Gemini安排下一步，Genie生成接下来的世界
谷歌CEO桑达尔·皮查伊在发布帖中把Genie 4称为“迄今为止最逼真、互动性最强的世界模型”，强调了原生音频、可说话的人物，以及Gemini推理组织多步骤事件的能力。真正的技术突破在于混合世界模型：Gemni 3.8 Flash负责理解用户意图、计划下一步并检查执行，Genie 4则负责生成可探索的环境。两者分工协作，背后还有Gemini Omni处理人物外貌和行为。

一个直观例子是湖上萨克斯演示。用户突然要加鲸鱼尾巴，Gemini不仅记录新增物体，还提示“水花和原有胶片质感”，后续生成必须同时满足这两条条件。另一个机器人模拟实验中，Gemini 4 Argon、Genie 4和Gemini Robotics让Apptronik的Apollo人形机器人“下跳棋”：细致的动作规划（哪只手伸向哪枚棋子、另一只手放在哪里）先由Gemini写好，Genie 4再生成视觉场景，研究人员可以反复观察计划如何在虚拟世界里展开。这对机器人开发者意义重大——现实中搭建场地、准备物体、反复试动作都要耗时耗钱，而模拟环境可以无限变化，快速迭代方案。

完整游戏还早，Genie 4还早，拍电影可以先拿它试镜头
目前这些短时模拟（单次约两分钟）还无法取代需要稳定规则、存档、长时间运行和多人协作的完整游戏。谷歌CEO也未提及具体上架日期。TechCrunch报道称，谷歌计划随后通过Project Genie向Google AI Ultra订阅用户提供，但尚未公布时间表。

不过，真正的价值已先在电影和游戏前期工作中显现。谷歌邀请的电影创作者正在用Genie 4做拍摄预演：同一场戏可以换机位、改句台词、调整光线，先在AI里试一遍，再决定怎么拍。游戏开发者则用它探索不同视觉风格和互动玩法。摄影记者甚至把档案照片扩展成可探索场景——模型补出画框之外的空间，但必须和原始记录严格区分。这类早期应用，已经让创作者提前避开无效方案，大幅降低试错成本。

AI世界终于会开口说话！谷歌Genie 4能骑龙、下雨、加角色，电影创作者已在用它试镜头

从骑龙的极致沉浸到原生音频的人物对白，再到Gemini与Genie 4的混合推理，谷歌DeepMind正用Genie 4把AI从“工具”推向“世界构建者”。它不会取代人类创意，但能让创作者在虚拟世界里先试镜、先编故事、先迭代——效率提升是显而易见的。谷歌CEO曾说，这是一场“未来已来”的演示，而这场未来，正在向少量受邀测试者和Google AI Ultra用户悄然展开。