谷歌DeepMind發表新一代世界模型Genie 4 具即時音訊生成能力 推動AI混合模型發展

科技巨擘谷歌（Google）旗下人工智能（AI）部門DeepMind，近日隆重發表新一代「世界模型」Genie 4的研究預覽版。Genie 4不僅引入了多項突破性功能，更是首次具備即時音訊生成能力，標誌著AI領域在模擬真實世界互動方面邁出重要一步。市場關注，此舉預示著結合不同AI模型優勢的「混合世界模型」將成為未來發展趨勢。 據DeepMind介紹，Genie 4具備四大關鍵功能，其中最引人注目的是其能夠即時生成音訊，涵蓋音樂、環境音效及角色互動對話，並能與模擬的現實場景同步進行。用户可透過標準鍵盤操控進行導航和鏡頭移動，亦可利用文字指令引導場景演變，例如改變天氣、調整鏡頭角度，或引入全新人物及物件。Genie 4在保持場景一致性方面的表現顯著提升，最長可達兩分鐘，較上一代產品增加一倍，同時擁有更出色的物理效果及更逼真的角色呈現。 值得留意的是，Genie 4與谷歌的Gemini模型實現了更深層次的整合。在此協同模式下，Gemini模型將扮演「導演」的角色，負責規劃步驟及進行檢查等高層次決策，而Genie 4則專注於創造即時視覺效果。在一項與Gemini Robotics進行的研究實驗中，Gemini 4 Argon模型成功將複雜任務分解成多個步驟，隨後Genie 4便能即時模擬這些步驟。這項實驗清晰展示了在機械人於現實世界實際操作前，透過模擬進行預先測試及驗證潛在解決方案的可能性。 谷歌研究總監Tejas Kulkarni在簡報會上表示，未來將會有越來越多此類混合世界模型出現。他預期這些模型將結合Gemini在程式編寫及文字處理方面的強大能力，以及Genie 4能夠即時接收訊息並在不同層次模擬現實世界的特點，形成更為全面的AI解決方案。 這類世界模型提出的商業應用案例廣泛，包括遊戲開發、互動式學習及機械人技術等。例如，用户可以置入一幅歷史場景畫作，並與畫中人物就所描繪的事件進行對話。據「可信測試人員」指出，這項技術亦能應用於電影原型製作等創新領域。 DeepMind工程師Diego Rivas強調，對於需要維持創作心流的流程，如概念構思及分鏡製作階段，即時生成能力顯得尤為重要。此外，谷歌亦提供了另一款AI影片生成模型Veo，該模型可根據文字、圖像或視訊提示，生成具內建同步音訊的高清視訊片段，目前正受到電影製作人的廣泛歡迎。