生成世界第一次自帶音軌：DeepMind 釋出 Genie 4，可編輯、最長兩分鐘連貫

研究預覽版的身分說明它離日常還遠，但音畫同步與兩分鐘連貫，把世界模型朝可用環境推近了一步。

兩分鐘。這是 Google DeepMind 最新世界模型 Genie 4 單次能維持連貫畫面的長度，也是這次發布裡最值得記下的數字。當地時間週二，DeepMind 以研究預覽版形式釋出 Genie 4：模型可生成高擬真、可互動的虛擬世界，官方稱首次在這類模型上實現音訊與影像同步生成，生成結果支援自由編輯，連貫畫面最長兩分鐘。

對一般使用者來說，Genie 4 暫時還摸不到，研究預覽版的開放對象是研究與合作端。真正該記的是兩個訊號：連貫時長決定生成的世界能不能拿來做事，音畫同步決定它像不像一個世界。Genie 4 在這兩個指標上同時推進，這是它登上熱搜的原因，也是它值得看懂的地方。

這次到底發布了什麼

Genie 4 的定位是世界模型：輸入之後得到的是一個可互動的環境，有別於一段播完即止的影片。使用者的操作會即時改變場景，模型要記住場景狀態、維持物理連續性，並在每次輸入後生成下一格畫面。

官方公布的重點有三個層次。

聲音與畫面從同一條流程出廠。過去的生成模型即使畫面流暢，多半是無聲的，音效要靠後製另行配置。Genie 4 把音軌綁進生成流程，畫面裡的腳步、碰撞與環境聲，理論上與動作同時生成、彼此對齊。

畫面可以自由編輯。生成的世界能被修改，這一點讓它從展示品往工具靠近：使用者可以調整場景與元素，而不是被動接受模型的輸出。

連貫拉到兩分鐘。世界模型最硬的指標向來是「連得住多久」。互動時間拉長，場景記憶與物理規則出錯的機率同步上升，畫面會開始遺忘先前倒下的物件、走樣的空間。兩分鐘是這個指標目前的最新刻度。

研究預覽版的身分也要讀進去。這個詞在業界慣例裡指向有限開放：先給研究者與合作方，功能與介面隨時會調整，離消費端產品、穩定的對外 API 都還有距離。DeepMind 過去幾代模型也走過同樣的路，先發布與有限開放，再逐步擴大。

三年，從一張圖到一個有聲音的世界

Genie 系列的起點在 2024 年初，第一代展示的是從單張圖片生成可遊玩的二維橫向世界。2024 年底的 Genie 2 把場景推進到三維空間。2025 年 8 月的 Genie 3 再做到即時生成、可自由漫遊的互動場景，世界模型開始接近遊戲引擎的反應速度。

Genie 4 的推進集中在兩處。連貫時長回應「能不能用」，同步音訊回應「像不像」。一段無聲的互動世界再流暢，感官上仍是半成品；音軌補上之後，生成環境在視覺與聽覺上同時成立。

同一時間，影片生成模型也在補同樣的課。Google 自家的 Veo 在 2025 年加入原生音訊，OpenAI 的 Sora 系列也把音畫同步帶進影片生成。兩條技術路線如今在輸出形態上接近匯流，剩下的主要差別在於：世界模型開放使用者介入，每一次輸入都會改變後續畫面，影片模型則以單向輸出為主。

誰在等一個連得住兩分鐘的世界

第一批用戶多半不會是一般消費者。

機器人與自駕訓練排在最前面。實體世界蒐集資料的成本高、速度慢，用生成模型造出近乎無限的可互動場景，讓機器人在裡面大量試錯，是 DeepMind 對世界模型的一貫定位，也是輝達投入 Cosmos、Meta 推出 V-JEPA 的共同原因。連貫兩分鐘與可編輯性，直接影響這種訓練環境堪用到什麼程度。

遊戲開發排第二。可編輯的生成世界可用於關卡原型與美術前期探索，把前置驗證的成本壓低。影視與內容產製是第三層。AI 產製內容這一年在市場端已有實績，中國第一部 AI 全流程院線長片已完成首輪票房測試，《三星堆：未來往事》上映三天的成績單就是起點。世界模型若能輸出可編輯的場景，內容端的生產線會再多一個上遊。

發布資訊裡還看不到的部分

兩分鐘仍然是短的。一場流暢的遊戲對局或一次機器人任務，長度都以分鐘與小時計，兩分鐘的連貫更像可用的最小單位，還沒到完整工作流程的長度。實際表現也要等第三方實測：發布影片經過剪輯，物理合理性與長時間互動的穩定度，歷來是展示與產品之間落差最大的地方。

編輯的深度同樣待驗證。能調整場景元素，與能把生成結果匯出成遊戲引擎可用的資產，中間還有一整段工程距離。這段距離會不會由 Google 補上，決定 Genie 4 是研究素材還是生產工具。

接下來可依序核對的訊號

開放範圍。研究預覽版向誰開放、多久後擴及一般開發者，是第一個訊號，也是判斷 Google 態度最直接的方式。

實測結果。等第三方拿到模型，連貫時長、音畫對齊與物理穩定度會被逐一檢驗，那時的數字會比發布影片可信。

生態整線。Genie 4 會否接入 Google 自家的影片模型與創作工具，或用於機器人相關計畫，會說明 DeepMind 把它當展示、當元件，還是當產品。

內容端的反應也值得看。生成式工具進入內容產製現場的速度，S16 電競內容這一季的 AI 化進程提供了一個近距離樣本；世界模型若加入同一條生產線，最先被改寫的會是原型與場景設計的工序。

Genie 4 今天的位置，訊號多於工具。兩分鐘與同步音軌，讓生成的世界在時間長度與感官完整度上同時逼近可用；至於何時真的可用，看接下來幾季的開放節奏就能知道。