VorobeoffDeepMind представила Genie 4 — модель, которая генерирует мир в реальном времени со звуком и диалогами, а не просто видео. Управлять сценой можно словами на лету, а за связность отвечает связка с Gemini. На момент анонса это исследовательское превью для доверенных тестеров.
Генеративное видео за последние два года прошло путь от пятисекундных клипов до кинематографичных сцен. Но видео остаётся записью: его можно посмотреть, нельзя в нём поиграть. Стоит нажать на клавишу — ничего не происходит. Мир на экране не реагирует, не звучит изнутри и не помнит, что было секунду назад.
Genie 4 пробует закрыть этот разрыв. По анонсу DeepMind от 27 октября 2026 года модель генерирует мир попиксельно в реальном времени — картинку, движение, звук и речь — и позволяет ходить по нему клавишами, крутить камеру и менять происходящее текстовыми подсказками. Это уже ближе к симулятору, чем к генератору роликов.
Для бизнеса и разработки это важно по другой причине. Если мир можно сгенерировать и протестировать в нём поведение агента или робота до выхода в реальность, цикл разработки сокращается с месяцев до дней. Именно поэтому Google связывает Genie 4 с задачей создания безопасных и бесконечно вариативных сред для обучения. Разберём, что заявлено, что из этого уже работает и где границы.
Что произошло: анонс, статус и место в линейке
Genie 4 анонсирована 27 октября 2026 года как новое поколение world-моделей DeepMind. По описанию компании это нативная мультимодальная модель: звук — музыка, шумы среды и диалоги персонажей — генерируется вместе с картинкой, а не накладывается поверх.
Модель опирается на семейство Gemini. Gemini Omni отвечает за внешний вид и поведение мира, другие модели Gemini — за рассуждение и связность сцены. Пользователь задаёт событие, Genie 4 симулирует, что происходит дальше: как реагирует окружение, как звучит сцена, как двигаются и говорят люди в ней.
Статус на момент публикации — research preview для доверенных тестеров. Google собирает обратную связь перед более широким запуском. Первыми доступ получат подписчики Google AI Ultra в Project Genie и ранние партнёры Gemini API и Google AI Studio. Для остальных открыт лист ожидания в Project Genie. Годом ранее, в августе 2025-го, DeepMind показывала предыдущее поколение — Genie 3, которое задало направление world-моделей в компании.
Идею гибридных миров Google формулирует прямо: Gemini строит структуру и план повествования, Genie отрисовывает физическую реальность пиксель за пикселем. На практике это означает, что за кадром всегда работает языковая модель, которая следит за логикой, а не только генератор картинки.
Четыре возможности, на которых строится Genie 4
1. Управление миром словами в реальном времени
Пользователь управляет перемещением клавишами и камерой, а текстовыми подсказками меняет сцену на ходу — погоду, ракурс, появление нового объекта или персонажа. Gemini адаптирует подсказку под контекст, чтобы вставка не ломала сцену, а между вводами сама ведёт мир дальше.
В демо это показано на трёх сценах: платформа с саксофонистом посреди озера, луг с рекой из розового атласа и полёт на воздушном шаре над Антарктидой. Все ролики, по заявлению DeepMind, — записи реальных интерактивных сессий, а не смонтированные рендеры. Подход похож на то, что уже видно в других видеоинструментах с управляемой камерой, например в Kling 4.0, но здесь управление идёт через естественный язык внутри симуляции, а не через ключевые кадры.
2. Реализм физики и людей
Вторая заявка — физическая достоверность. Genie 4 симулирует аэродинамику, столкновения и другие взаимодействия в реальном времени. В примерах — арбуз на постаменте, падающее кленовое семечко, толпа на японской станции 1980-х.
Самый заметный сдвиг касается людей. Персонажи, по описанию DeepMind, двигаются естественно, реагируют на окружение и поддаются управлению в реальном времени. Для world-модели это ключевой тест: удержать толпу на платформе, сохранить пропорции и пластику при движении камеры — задача сложнее, чем нарисовать красивый кадр.
3. Звук как часть симуляции
Genie 4 — первая real-time world-модель DeepMind с нативным звуком. Каждый мир получает свою звуковую среду: ветер в деревьях, волны, шум помещения. Звук генерируется вместе с картинкой, что видно и в других подходах, где видео и звук рождаются в одном проходе.
Отдельный акцент — диалоги. Персонажи ведут беседу и реагируют на реплики пользователя или события в мире в реальном времени. В анонсе это показано на стилизованных сценах — от витража-мира до полёта на драконе и сцены в гонконгском инди-стиле. Весь звук в демо, подчёркивает DeepMind, создан самой моделью.
4. Сложные сценарии вместе с Gemini
Четвёртый блок — связка с рассуждающими моделями. Gemini 3.8 Flash работает как управляющий агент в контуре: наблюдает за сценой, разбивает цель на шаги, проверяет кадры на выполнение шага и перестраивает план, если пользователь вмешался или мир изменился. Так появляется причинность и многошаговость, а не просто красивая импровизация.
DeepMind также экспериментирует с Gemini 4 Argon вместе с Gemini Robotics. В примере Argon разбивает задачу на шаги для Genie, а подписи шагов подаются в симуляцию в реальном времени. Демо — гуманоид Apollo компании Apptronik, играющий в шашки: план и рендер идут параллельно, симуляцию можно корректировать по ходу. Это направление прямо ведёт к тренировочным средам для роботов и агентов, где сценарии нужно прогонять без выхода в физический мир.
Где это может сработать уже сейчас
DeepMind описывает опыт доверенных тестеров из кино, журналистики, образования, игр и инженерии. Четыре сценария повторяются чаще всего.
- Креатив и превиз. Режиссёр заходит в симуляцию сцены и прогоняет дубли, меняя ракурс, свет, реплики и действие без пересъёмки. Genie 4 выступает как черновик для быстрой проверки идеи, а не как финальный рендер.
- Исторические сцены и фото. Одно архивное фото превращается в исследуемое пространство. Тот же приём тестируют для краткосрочных природных событий — как развивается паводок или пожар — чтобы увидеть динамику, а не только карту.
- Прототипы интерактивных продуктов. Разработчики игр проверяют визуальный стиль, механику и материалы через промпты, не поднимая движок. Это ускоряет путь от идеи к играбельному наброску, который уже можно показать команде.
- Симуляция для робототехники. Компании оценивают Genie 4 как генератор сценариев с нуля и способ найти пробелы в поведении агента до тестов на железе. Здесь ценность не в картинке, а в вариативности: бесконечный набор ситуаций с контролируемыми условиями.
Общий знаменатель — скорость проверки гипотез. World-модель не заменяет съёмку, движок или полигон, но позволяет отбросить слабые идеи дёшево и быстро.
Что пока не готово: честные ограничения из анонса
Genie 4 остаётся ранней экспериментальной моделью. DeepMind прямо называет границы, которые важно держать в голове при планировании работ.
- Консистентность на дистанции. Короткие сессии держатся хорошо, но детали и постоянство объектов могут дрейфовать, особенно при долгой симуляции, множественных правках промпта или активном исследовании сцены.
- Физика, звук и текст. Сложные взаимодействия, точность аудио, читаемый текст в кадре и пространственная точность — в активной разработке. Это означает, что тонкие нюансы — например, точное соблюдение размеров или корректная надпись на объекте — могут требовать перепроверки.
- Статус доступа. Доступа для широкой аудитории пока нет. Планировать внедрение стоит только через лист ожидания Project Genie или ранний доступ Gemini API / AI Studio, без опоры на конкретные сроки релиза.
К этому добавляются общие условия ответственности. Genie 4 получила защитные фильтры в логике других моделей Google, прошла внутренние проверки безопасности, а всё сгенерированное видео и аудио маркируется невидимым водяным знаком SynthID для прозрачности происхождения контента.
Кому стоит присмотреться и как проверить
Genie 4 имеет смысл держать в фокусе трём группам: командам, которые делают интерактивные прототипы и превиз; исследовательским группам по робототехнике и агентам, которым нужны вариативные среды; студиям, которые уже упираются в ограничения статичного видео и хотят тестировать поведение в мире, а не только картинку.
Проверка на практике начинается с малого. Выберите один повторяющийся сценарий — например, небольшая комната с одним персонажем и простым действием — и прогоните его в двух режимах: без правок и с двумя-тремя текстовыми изменениями на лету. Смотрите на три вещи: сохраняется ли геометрия при движении камеры, не плывёт ли персонаж между планами, совпадает ли звук с действием. Если эти базовые тесты проходят, можно переходить к многошаговым задачам со связкой Gemini 3.8 Flash.
Если ваша задача — одиночные красивые ролики без интерактива, Genie 4 пока не даёт прямого преимущества перед специализированными видеомоделями. Его сила проявляется там, где нужна реакция мира на действия пользователя.
Итог: от ролика к миру, в котором можно действовать
Genie 4 меняет единицу продукта. Раньше результатом был ролик, теперь — мир, по которому можно ходить, в который можно говорить и который отвечает. Связка с Gemini добавляет этому миру память и план: симуляция удерживает причинность и перестраивается под вмешательство пользователя. Гибридная архитектура — языковая модель планирует, пиксельная модель рисует и озвучивает — выглядит как главный вектор на ближайший год.
Для практики это означает, что проверка идей становится дешевле, а перенос в реальность — безопаснее. Но пока это исследовательский инструмент с дрейфом на длинной дистанции и без широкого доступа. Начинать стоит с узких сценариев, где результат легко проверить, а не с попытки заменить продакшен целиком.
Ссылки
- Сайт: Genie 4: A new generation of world simulation — официальный анонс DeepMind
- Сайт: Project Genie — лист ожидания
