Genie 4正式可用,API还没来

Google向AI Ultra用户开放Genie 4,可在浏览器中实时生成、修改带原生音频的交互世界。但它目前更像可执行的概念草图,还不是能直接接入产品的世界模型API。
Google DeepMind今天正式向符合条件的Google AI Ultra订阅用户开放Genie 4,用户现在可以通过新版Project Genie,在浏览器里生成、探索并实时修改一个由AI持续运行的交互世界。
这次更新意味着Genie 4终于从10月27日发布时的“受信任测试者研究预览”,进入普通付费用户能够实际使用的产品阶段。不过需要先把最容易被标题混淆的一点说清楚:Genie 4已经进入开发者可访问阶段,但还没有进入公开API可集成阶段。
截至2026年11月18日,Google公开开放的是Project Genie网页体验,面向符合条件的Google AI Ultra用户;Google AI Pro用户可以登记候补。此前预告的Gemini API与Google AI Studio早期合作伙伴接入仍未形成面向所有开发者的公开服务,Google也没有公布可调用的模型ID、计费方式、速率限制或正式API文档。社区今天同步确认了Ultra用户开始获得访问权限,但也有不少开发者继续追问地区范围、API时间表和实际用途。(reddit.com)
换句话说,Genie 4今天实现的是“能亲手试”,还不是“能写进产品”。

Genie 4不是视频模型,而是一台实时运行的“世界模拟器”
世界模型是能够预测环境如何随动作和事件变化,并持续生成后续状态的AI模型。
普通视频生成模型接收提示词后,会交付一段基本固定的视频;世界模型则需要不断读取用户操作,预测下一时刻的画面、声音、物体位置和角色反应。用户向左转,模型就要生成左侧空间;用户突然要求下雨,模型不仅要改变天空,还要处理地面反光、环境声音、人物行为以及后续场景的一致性。
因此,Genie 4真正要解决的不是“画一段漂亮视频”,而是“让一个不存在的世界在你面前继续运转”。
这两类模型的差异可以简单概括为:
| 对比维度 | 传统视频生成模型 | Genie 4世界模型 | |---|---|---| | 核心输出 | 一段预先生成的视频 | 持续生成的交互环境 | | 用户控制 | 生成前输入提示词,生成后再编辑 | 探索过程中实时输入新指令 | | 时间逻辑 | 重点是镜头内部连贯 | 需要维持状态、因果和物体持续性 | | 操作反馈 | 通常需要重新生成 | 键盘操作和文字提示会改变后续世界 | | 音频 | 后期生成或独立模型合成 | 画面、环境音和角色对话原生同步生成 | | 主要用途 | 广告、短片、影视素材 | 游戏原型、仿真、机器人训练、交互叙事 |
Genie 4是DeepMind首个能够原生生成实时音频的世界模型,声音会随着环境变化而变化,包括风声、水声、脚步声、背景音乐以及角色对话。它不只是给视频配上一条音轨,而是把音频当成世界状态的一部分:场景从森林切换到洞穴,空间混响应该改变;角色遭遇突发事件,对话也要随之调整。(ithome.com.tw)
这项能力看起来没有“画质升级”直观,却是Genie 4最关键的产品变化之一。没有声音的世界模型更像可操控的动态壁纸;加入实时声音和对话之后,它才开始接近一种完整的交互媒介。
最大更新是边走边改,不必退出重新生成
实时世界编辑是指用户能够在模拟运行过程中,用自然语言直接改变环境和事件。
在新版Project Genie里,用户可以一边移动和观察世界,一边输入新的文字提示。例如将晴天改成暴雨、在道路上加入角色、改变材质风格,或者让正在发生的事件转向另一条路径。Genie 4会结合当前画面理解指令,而不是从空白状态重新生成一段完全无关的内容。
这相当于把传统游戏引擎里的场景编辑器、脚本系统和运行窗口压缩进同一个生成循环。过去要修改一个游戏关卡,开发者通常需要暂停运行、调整资产或代码,再重新启动测试;Genie 4试图让“修改世界”和“运行世界”同时发生。
这也是它对游戏开发者最现实的价值:不是立刻生成一款完整游戏,而是把前期概念验证从几天缩短到几分钟。
一个设计师可以先描述“雨夜里的港口城市,玩家骑摩托穿过狭窄街道”,进入世界后再要求增加积水、降低能见度、加入追逐车辆,并快速观察这些设定在运动中是否成立。传统工作流需要美术资产、关卡搭建和基础交互代码;Genie 4则先交付一个能够走进去看的“可执行草图”。
但草图终究不是成品。它不能替代确定性的游戏逻辑、碰撞系统、资产管线、多人同步和性能优化。Genie 4目前更接近Figma之于界面原型,而不是Unity或Unreal Engine的替代品。
Genie 4和Genie 3没有形成简单的代际替换
Genie 4追求更高真实感与原生音频,更新后的Genie 3则继续承担更长时间探索和全景图生成任务。
Google没有在Project Genie里下架Genie 3,而是让用户通过模型选择器继续使用。今天的更新还把Genie 3单次生成的探索时间从60秒提升到最长3分钟,增幅达到200%,同时加入世界串联、360度全景图作为初始场景,以及探索过程中的实时事件提示。
| 能力 | Genie 4 | 更新后的Genie 3 | |---|---|---| | 定位 | 高真实感实时世界模型 | 更长时间、可串联的探索模型 | | 原生实时音频 | 支持 | 未作为核心能力公布 | | 实时文字修改世界 | 支持 | 支持实时事件提示 | | 单次持续交互 | 目前约1分钟 | 最长3分钟,原为60秒 | | 360度全景图初始化 | 未列为主要功能 | 支持 | | 物理和人物表现 | 当前最高质量 | 更适合长时间和全景场景 | | 推荐场景 | 高质量演示、角色、声音和物理 | 长距离探索、全景空间和世界串联 |
这个产品安排说明Google自己也承认,Genie 4暂时没有全面取代上一代。Genie 4拥有更好的画质、人物运动、物理效果和声音,但计算量更高、连续运行时间更短;Genie 3的视觉上限较低,却可以支撑更长的探索。
对用户而言,模型选择不再是“数字越大越好”,而是画质、声音、持续时间和输入方式之间的取舍。
Gemini在后台负责“想清楚”,Genie负责“演出来”
混合世界模型是将语言模型的结构化推理,与像素级环境生成结合起来的世界模拟系统。
Genie 4并不是一套完全独立的生成模型。Google披露的架构中,Gemini Omni负责帮助模拟贴近真实世界的外观和行为,其他Gemini模型则负责规划、观察和维持场景连贯性。其中,Gemini 3.8 Flash可以作为循环中的引导智能体,持续读取画面,将复杂目标拆分成步骤,检查步骤是否完成,并在用户干预后重新规划。(ithome.com.tw)
可以把这套系统理解为一支实时拍摄团队:Gemini是导演和场记,决定接下来要发生什么、检查前后剧情有没有接上;Genie 4则是摄影棚、演员和特效部门,逐帧生成眼前看到和听到的一切。
这种组合解决的是纯视频预测模型的一个根本缺陷:像素模型擅长生成“下一秒看起来合理的画面”,却不一定记得五十秒前的目标。语言模型恰好相反,它能保存任务结构和因果关系,却无法直接渲染一个可实时探索的物理世界。
两者结合后,世界模型才可能处理多步骤事件。例如让机械臂拿起移液管、找到微孔板、移动到正确位置并滴入液体。如果目标在过程中被移动,Gemini需要先识别变化并重算计划,Genie 4再生成机械臂调整动作后的结果。
这也是Genie 4比“AI生成游戏”更值得关注的地方:娱乐只是最容易展示的外壳,真正长期价值可能来自智能体和机器人的训练环境。
对开发者最重要的不是画质,而是无限合成训练数据
合成训练环境是由计算机生成、可控制并可重复变化的智能体训练空间。
现实世界的数据昂贵、稀缺,而且经常带有安全风险。自动驾驶系统不能为了收集极端事故数据反复制造碰撞,机器人也不能通过摔坏成千上万台真机来学习抓取。世界模型的意义,是用计算资源生成大量不同的道路、房间、工厂和突发事件,让智能体先在模拟环境中失败。
Genie 4展示的机器人实验已经触及这条路线。Google将其与Gemini Robotics和Gemini 4 Argon结合,让语言模型拆解任务,再由Genie生成执行过程。iThome的报道也指出,DeepMind正在探索人形机器人下西洋跳棋、工业机械臂操作等模拟场景。(ithome.com.tw)
如果这套机制最终能够提供稳定接口,开发者可能不再需要手工制作每一个训练关卡,而是描述环境分布:生成一万间布局不同的厨房,随机改变光线、物体材质、桌面高度和障碍物,再让机器人策略逐一尝试。
这是一个比生成视频大得多的市场。视频模型出售的是内容生产效率,世界模型出售的可能是现实世界智能体的训练基础设施。
但今天的Genie 4仍然有明显的“研究味”
物体永久性是指物体离开镜头后仍保持位置、状态和属性不变的能力。
Genie 4目前最大的障碍仍然是状态漂移。用户离开一个房间再返回时,桌椅位置、物体数量或材质可能变化;连续进行多次复杂编辑后,场景细节和空间关系也可能逐渐偏离。Google同时承认,复杂物理交互、空间精度、清晰文字、实时音频准确性以及多智能体互动仍有待改进。(ithome.com.tw)
这些限制决定了Genie 4现在适合“快速试想法”,不适合“验证精确结果”。
它可以帮助导演判断场景氛围,却不能替代精确的镜头预演;可以帮助机器人团队快速生成训练概念,却不能直接充当符合工程精度的数字孪生;可以生成类似游戏的空间,却无法保证每一次输入都得到确定结果。
Genie 4也没有公布分辨率、稳定帧率、生成延迟、并发数量以及每次会话消耗的计算额度。此前Genie 3曾展示约720p、每秒24帧的实时世界,但这些数字不能直接套用到Genie 4。凡是把Genie 3参数写成Genie 4正式规格的说法,目前都缺乏官方依据。
访问门槛仍然是它最现实的问题
Project Genie是Google面向用户提供的实验性交互世界生成平台。
Genie 4现在只能通过Project Genie提供给符合条件的Google AI Ultra订阅用户,Google AI Pro用户只能申请候补。所有生成的视频帧和音频都带有SynthID不可感知水印,输入与输出还会经过安全筛查。(reddit.com)
Google没有公布Genie 4独立价格,也没有解释Ultra订阅用户具体能生成多少次、每次排队多久或是否存在每日计算额度。因此,现阶段无法根据Gemini文本模型的Token价格推算Genie 4成本。实时生成图像、动作和声音的计算方式,与文本模型按输入输出Token计费并不是一回事。
更关键的是,公开API仍然缺席。Google在10月27日发布时表示,后续将向Gemini API和Google AI Studio早期访问合作伙伴提供Genie 4;但在11月18日的正式可用更新中,重点仍然是Ultra订阅用户的Project Genie体验,没有公布开发者模型ID和调用文档。
所以,开发团队现在最合理的动作是体验和评估,而不是立刻制定集成排期。任何声称已经拥有通用Genie 4 API端点、固定模型名称或明确调用价格的资料,都应该谨慎核验。
结论:世界模型终于从论文演示走进浏览器
Genie 4此次开放的真正意义,是世界模型第一次以相对完整的产品形态进入付费用户工作流。
它现在仍然昂贵、短暂、不稳定,也没有公开API,距离替代游戏引擎、仿真软件或数字孪生平台都很远。但Google已经把几个过去分散的研究能力——实时视频生成、原生音频、自然语言编辑、Gemini推理、智能体观察和社区分享——装进了同一个浏览器产品。
我们的判断是,Genie 4当前最有用的定位不是“自动生成完整游戏”,而是“可进入、可修改、会发出声音的概念原型工具”。它对影视预演、游戏提案、沉浸式新闻、教育展示和机器人场景设计已经有实际价值,只是还不具备生产级确定性。
更值得关注的下一步有三个:Google何时公布Gemini API模型ID,如何为持续生成的世界定价,以及能否把单次稳定交互从约1分钟推进到十分钟甚至更长。
如果这三个问题得到解决,Genie 4才会真正从一个令人惊艳的Ultra订阅权益,变成开发者可以依赖的世界模型基础设施。
参考来源
- iThome:Google发表世界模型Genie 4,强化物理模拟与即时互动能力——介绍Genie 4的物理模拟、原生音频、Gemini协作架构、机器人实验及已知限制。
- Reddit:Genie 4开始向Ultra订阅用户推出——汇总11月18日Project Genie更新、Genie 3新能力及Pro用户候补信息。
- Reddit:Genie 4发布与开发者社区讨论——包含用户对访问地区、用途、订阅门槛和API开放进度的讨论。



