鍵盤控制鏡頭，打一行字改天氣，場景裡的人接著用剛剛才長出來的聲音回答你。Google DeepMind 把這套即時模擬叫 Genie 4，作者欄寫 Raia Hadsell、Diego Rivas、Hang Qi。官方說法是原生多模態世界模型：畫面、環境音、音樂、可互動對白一起生成，不靠後製配音軌。Genie 3 大約一年前以研究預覽放出，Ars Technica 寫它曾讓遊戲股下跌；Genie 3 始終沒走出 Project Genie 那層很薄的網頁體驗。Genie 4 要做的，是把「可走進去的幾分鐘」加上聲音，再接到 Gemini 的計畫迴路。
Gemini 家族被拆成兩個角色。Gemini Omni 把模擬錨在真實世界的外觀與行為；其他 Gemini 模型負責連貫與因果。中途用自然語言插入「下雨」「把鏡頭拉遠」「加一個人進來」，Gemini 會按當下場景改寫你的指示；你沒打字的空檔，它也繼續監看、把世界往前推。官方示範用標準鍵盤走動與轉鏡頭，文字只負責轉向。
可信測試者現在就能進研究預覽。接下來要給 Google AI Ultra 訂戶的 Project Genie，以及 Gemini API、Google AI Studio 的早鳥夥伴。價目表沒有。Ars Technica 寫 Ultra 起價 100 美元／月，且仍走 Project Genie 那層介面，能做的事會被產品殼限制。
官方寫了四件事，獨立媒體只核得動其中一部分
DeepMind 部落格把能力收成四塊：即時轉向、物理與人物、原生音訊、跟 Gemini 一起跑多步驟事件。TechCrunch 與 Ars Technica 能對上的硬數字不多，能對上的寫在下面。
連貫時間。TechCrunch 寫 Genie 4 能把同一場景維持大約兩分鐘，是前代 Genie 3 的兩倍。官方產品頁自己的用詞比較保守：「幾分鐘的連續互動，而不是長時間會話」。兩邊都沒公布幀率、解析度、單次會話上限的毫秒級數字。官方也沒給延遲、每分鐘成本、並發人數。
物理與人。官方點名空氣動力學、碰撞，以及人物「自然移動、對環境有機反應、可即時被轉向」。Ars Technica 轉述簡報：人物應該比較不像恐怖谷。沒有公開物理基準、沒有人物一致性分數、沒有「多少步之後手還是同一隻手」的獨立評測。
音訊。Genie 4 是 DeepMind 第一個即時世界模型原生出聲。風、浪、腳步是環境層；人說話是他們自己標成「真正的前線」。角色會對你的輸入或場景事件即時對答。官方示範裡，薩克斯風、龍翼、摩托車風噪，都標成模型直接產出，不是另外配的。產品頁另寫：即時音訊準確度仍是研究中。
Gemini 當導演。即時迴路裡，Gemini 3.8 Flash 看畫面、把目標拆成步驟、核對每一幀有沒有做成、世界被你改過就改計畫。另一段實驗把 Gemini 4 Argon 接上 Gemini Robotics：Argon 把任務拆成步驟，步驟以文字字幕交錯餵進正在渲染的 Genie 4。官方示範是 Apptronik 的 Apollo 人形下跳棋。Tejas Kulkarni 在簡報裡把方向說成「混合世界模型」：Gemini 寫程式與文字，Genie 即時吞進去、在不同抽象層模擬現實。那是研究方向，不是現在能買的 API 功能。
能進場的人在用它做分鏡，不是在訓練機器人
DeepMind 說測試者來自創意產業、新聞、教育、遊戲、工程。他們整理出的用法，多數還停在「零到一」草稿，不是量產管線。
電影與預覽。Rivas 在記者會講，即時最有價值的地方是維持創作心流：構思、分鏡、需要快速試鏡的階段。導演可以走進場景，當場改鏡頭、燈光、對白、動作，連拍好幾次。Google 另有 Veo 做高解析度有聲短片；Rivas 說將來或許能用 Gemini Omni 把這些原型變成資產，但「還早」。終端產品長什麼樣，他在簡報裡重複說現在講不清。
靜態照片變可走的現場。攝影記者在測：一張二維檔案照片，幾秒變成可走動的環境，用來感受歷史空間，或預覽短時環境事件怎麼展開，例如山洪、野火。官方自己列限制：真實地點無法完美還原。
遊戲與機制草稿。開發者用自然語言試視覺風格、材質、互動，再決定要不要開引擎寫一行。TechCrunch 把競品寫在同一段：Runway 的 GWM Worlds 2 也是可玩、有音訊的世界模型；Fei-Fei Li 的 World Labs 正在被 AMD 收購；Amazon 洽購 Decart 的消息本站寫過；Rivian 買了 Third Dimension 做自駕測試。世界模型這條線，實驗室、車廠、雲端買家同時在收。
跟 Veo 的分工，官方沒畫成產品矩陣。Veo 是影片生成：文字、圖片或影片進，高解析有聲短片出，導演拿的是一段片。Genie 4 是你還在裡面走的模擬，鏡頭跟著鍵盤，天氣可以中途改。Rivas 把前者當成可能的「把原型變成資產」出口，後者當成分鏡草稿。兩條線都還沒公布並排價目，也沒說同一個提示詞能不能從 Genie 場景一鍵送進 Veo。
機器人。官方把「無限可變、較安全的訓練場」寫進 AGI 敘事。目前公開的是 Argon 指揮 Apollo 下跳棋，以及 UR5 機械臂拿移液器。企業夥伴在評「零到一情境生成」，並回報缺口。沒有公開說有哪家工廠把 Genie 4 接進真實機器人訓練迴路。
官方限制清單比示範影片長
產品頁把未解的問題分開寫，不是一句「仍在早期」帶過。
| 項目 | 官方怎麼寫 | 目前能量的數字 |
|---|---|---|
| 物體恆存 | 跑越久、改越多、在場景裡走越遠，細節與物體會漂 | TechCrunch：約兩分鐘；官方：幾分鐘 |
| 多代理互動 | 使用者、多個獨立代理、共享環境的複雜互動仍是研究題 | 沒有公開成功率 |
| 真實地點 | 無法完美模擬真實世界地點 | 沒有誤差指標 |
| 文字 | 清楚可讀的字，通常只有寫進世界描述時才出得來 | 沒有 OCR 分數 |
| 音訊準確 | 即時音訊準確度仍在改進 | 沒有對齊誤差、延遲 |
| 售價 | 研究預覽；Ultra 與 API 早鳥「即將」 | API 未開價；Ultra 起價 Ars 寫 100 美元／月 |
安全側，官方寫與其他模型同一套政策，上線前做過內部評估，先只給可信測試者。所有影片與音訊帶 SynthID，肉眼看不見，用來標成 AI 生成的視覺與聲音。這是水印層，不是內容審核本身。簡報承認音訊準、場景內文字可讀，都還沒搞定。
一月那篇世界模型主線稿把這條技術寫成可能的下一波躍遷。Genie 4 把「可玩的幾分鐘」和「原生對白」補上產品頁，但沒把訓練場、遊戲引擎、電影管線任何一條做成可採購規格。產品頁另寫：這些世界也可以拿來讓代理——點名 SIMA——學新技能。公開材料裡沒有 SIMA 成功率、步數、或遷移到真實機器人的數字。跳棋示範只證明 Argon 能把任務拆成字幕、Genie 能邊渲染邊吃字幕。Google 也沒有把 Genie 4 跟 Agent Compute Engine 畫成同一張架構圖：一邊是硬體隔離的 microVM 跑代理，一邊是像素級世界模擬，中間怎麼接、誰計費，檔案裡沒有。
Argon 先前已開進 Pro 與付費 API，導入價寫過每百萬 Token 輸入 2 美元、輸出 10 美元。Genie 4 沒有對應價。DeepMind 沒公布參數規模、訓練硬體、幀率、解析度、並發上限、每分鐘模擬成本、模型 ID。Ars Technica 寫消費者端先綁最貴的 AI Ultra，起價 100 美元／月，之後「可能」下放到 AI Pro、AI Plus；即便進了 Ultra，也還是 Project Genie 的殼。等候名單在官方部落格，沒寫審核標準、額度、可信測試者人數。
能核對的就這些：預覽在可信名單裡；Ultra 與 API 早鳥還沒開、也還沒開價；連貫以「兩分鐘／幾分鐘」計；物體會漂、字難讀、真實地址會錯；機器人與跳棋是研究實驗；AI 水印會打在畫面和聲音上。Ultra 真的放量時，要看會不會補上幀率、會話上限、每分鐘價格。API 早鳥若只拿到 Project Genie 網頁，那就還不是一條可以寫進管線的應用程式介面。