谷歌发布Genie 4世界模型 支持实时音频与中途操控场景

很多朋友不知道【谷歌发布Genie 4世界模型 支持实时音频与中途操控场景】，今天小绿就为大家解答一下。

　　【CNMO科技消息】据外媒报道，谷歌DeepMind周二以研究预览形式发布最新世界模型Genie 4。这款模型能生成迄今最逼真、最具交互性的虚拟世界，用户可以在模拟运行过程中输入提示词实时改变场景，同时模型还能生成与虚拟环境匹配的实时音频，包括音乐、环境噪声和交互式对话。

　　与一年多前发布预览版的上一代Genie 3相比，Genie 4的进步直观可见：画面更逼真、新增音频，并支持自由编辑——实时改变天气、调整镜头角度，或者往场景里添加新的人物和物体。它能把一个连贯场景维持最长2分钟，是前代上限的两倍，物理表现更准，角色动作也更接近真人。

　　Gemini与Genie 4的整合也更深。在整套流程里，Gemini担任"导演"，负责规划步骤、逐帧检查画面，Genie则负责生成视觉内容。在一项与Gemini Robotics绑定的研究实验中，Gemini 4 Argon模型把任务拆解成步骤，交由Genie 4实时模拟，这展示了一条可行的路径：机器人在真实世界行动之前，先在模拟环境中完成验证。谷歌研究总监Tejas Kulkarni在简报会上表示："未来会越来越多地看到这类混合世界模型——Gemini负责写代码和文本，Genie实时接收并在不同抽象层级上模拟现实。"

谷歌公司

　　和世界模型同行一样，Genie 4对标的商用场景包括游戏、互动学习和机器人。外媒举了一个互动学习的设想例子：把一幅历史场景画作输入系统，然后直接与画中人物对话，了解画面背后的事件。而拿到首批体验资格的"可信测试者"则指出了另一个潜在用途——影视前期原型制作。谷歌DeepMind工程师Diego Rivas解释称，"实时性最有价值的地方，是那些需要让创作心流保持连贯的环节，比如构思阶段、故事板阶段——一切需要快速出概念的时刻。"他同时介绍，谷歌的高清视频生成模型Veo在影视创作者中日渐流行，未来用户或许可以借助能结合图像、音频和文本生成视频的多模态大模型Gemini Omni，把这些原型转化为创意素材，不过这类能力距离落地还有相当距离。

版权所有，未经许可不得转载

以上问题已经回答了。如果你想了解更多，请关新经网网站 (https://www.xinhuatone.com/)