Google Genie 4 tworzy świat do zwiedzania z dźwiękiem i mówiącymi postaciami

Google DeepMind ogłosił 27 października Genie 4, nowy model świata. To model, który na bieżąco generuje świat do zwiedzania: obraz, ruch ludzi i dźwięk. Na razie testują go tylko wybrani partnerzy. Pozostali mogą zapisać się na listę oczekujących, a szczegóły firma opisała na blogu Google DeepMind.

Czym model świata różni się od generatora filmów

Generator wideo robi gotowy klip do obejrzenia. Genie 4 tworzy scenę, po której się chodzi i która reaguje na to, co robi użytkownik. Użytkownik steruje kamerą i ruchem klawiaturą, jak w grze komputerowej. W trakcie może dopisać polecenie tekstem, na przykład zmienić pogodę albo dodać do sceny osobę lub przedmiot. Model dopasowuje zmianę do tego, co już jest w scenie, i liczy, co wydarzy się dalej.

Nowością jest dźwięk. Według Google to pierwszy model świata tej firmy, który działa na żywo i sam generuje dźwięk: szum wiatru, fale, muzykę, a także rozmowy postaci. Postacie mają reagować na to, co robi użytkownik. Firma pisze o „bezprecedensowym realizmie”. To deklaracja producenta, bo wpis nie podaje porównań z innymi modelami ani liczbowych wyników testów.

Gemini pilnuje, żeby scena trzymała się sensu

Genie 4 korzysta z modeli Gemini. Gemini Omni ma dbać o to, żeby świat wyglądał i zachowywał się jak prawdziwy. Gemini 3.8 Flash działa jako agent obok symulacji. Ogląda kolejne klatki, dzieli zadanie na kroki i sprawdza, czy każdy krok się udał. Gdy użytkownik coś zmieni, agent poprawia plan.

Google pokazał też próbę z Gemini 4 Argon. Argon rozpisał na kroki zadanie dla humanoidalnego robota Apollo firmy Apptronik, a Genie 4 narysował, jak robot gra w warcaby. Chodzi o to, żeby roboty i agentów AI ćwiczyć w wymyślonych światach, zanim trafią do prawdziwego.

Kto już tego używa i do czego

Google testuje model z ludźmi z branży kreatywnej, dziennikarstwa, edukacji, gier i inżynierii. Firma podaje cztery przykłady zastosowań.

Kto	Do czego używa Genie 4
Filmowcy	szkic sceny przed zdjęciami, kilka „dubli” z inną kamerą i światłem
Fotoreporterzy	zamiana archiwalnego zdjęcia w scenę do obejrzenia, symulacja powodzi albo pożaru
Twórcy gier	prototyp świata do przejścia, zanim ktoś napisze kod
Firmy	szybkie tworzenie scenariuszy do symulacji

Wszystkie filmy i dźwięki z Genie 4 mają dostać znak wodny SynthID. Jest niewidoczny, ale pozwala rozpoznać materiał zrobiony przez AI.

Ograniczenia i dostęp

Google sam nazywa Genie 4 wczesnym, eksperymentalnym modelem. Przy dłuższej sesji szczegóły sceny potrafią się zmieniać, a przedmioty znikać albo przesuwać. Dzieje się tak też po wielu poprawkach polecenia i przy chodzeniu po scenie. Słabo wychodzą skomplikowane zderzenia, czytelny tekst w obrazie i dokładne odwzorowanie przestrzeni.

Pierwsi dostęp poza testerami dostaną abonenci planu Google AI Ultra w usłudze Project Genie. Drugą grupą są partnerzy z wczesnym dostępem do Gemini API i Google AI Studio. Google nie podaje daty ani tego, czy Project Genie zadziała w Polsce. Jeśli chcesz wypróbować model, zapisz się na listę oczekujących na stronie Project Genie, do której link jest we wpisie Google DeepMind. Inne nowe modele Google opisujemy przy Gemini 4 Argon w aplikacji i API.