Genie 4 ist das Weltmodell, das Google DeepMind am 27. Oktober 2026 vorgestellt hat, in einem Blogbeitrag von Google DeepMind, der am selben Tag erschien. Es erzeugt nicht nur Bilder, sondern gleichzeitig Umgebungsgeräusche, Musik und Dialoge von Figuren. Nutzer bewegen sich mit der Tastatur durch die Simulation und schreiben die Szene per Text um, während sie läuft. Für Spiele, Film und Robotertraining liegt der Reiz darin, zuerst in einer virtuellen Welt zu üben, statt den Preis für Versuch und Irrtum in der echten Welt zu zahlen.
Ton ist die größte Veränderung
Genie 4 ist DeepMinds erstes Echtzeit-Weltmodell, das Audio nativ erzeugt. Jede Welt hat ihren eigenen Umgebungsklang, mit Wind in den Bäumen und Wellen am Strand, während sich die Dialoge der Figuren in Echtzeit mit den Eingaben und den Ereignissen in der Welt verändern. Damit fühlt sich eine Simulation eher wie eine lebendige Szene an, die zuhören, antworten und unterbrochen werden kann.
Szenen lassen sich im laufenden Betrieb ändern
Nutzer können während einer laufenden Simulation in natürlicher Sprache das Wetter ändern, die Kamera bewegen oder eine neue Person oder ein neues Objekt hinzufügen, und Gemini passt die Eingabe an die umgebende Szene an. In der Schleife beobachtet Gemini 3.8 Flash als steuernder Agent die Szene fortlaufend, zerlegt ein Ziel in Schritte und prüft den Fortschritt Bild für Bild. Greift der Nutzer ein oder verändert sich die Welt, passt es den Plan sofort an. Gemini Omni verankert die Simulation im Aussehen und Verhalten der realen Welt, während andere Gemini-Modelle helfen, sie kohärent zu halten.
Zuerst vertrauenswürdige Tester, und die Grenzen werden offen genannt
Genie 4 ist derzeit als Research Preview für vertrauenswürdige Tester verfügbar. Danach erreicht es zuerst Google AI Ultra-Abonnenten in Project Genie sowie Early-Access-Partner der Gemini API und von Google AI Studio. DeepMind räumt zugleich ein, dass mit längerer Laufzeit und komplexeren Änderungen visuelle Details und die Beständigkeit von Objekten leichter driften, und dass komplexe physikalische Interaktionen, die Genauigkeit von Echtzeit-Audio, lesbare Textdarstellung und räumliche Genauigkeit weiterhin Forschungsgebiete sind. Alle von Genie 4 erzeugten Videos und Audiodateien tragen ein SynthID-Wasserzeichen, damit KI-generierte Inhalte erkennbar sind.
Für die meisten Leser liegt der Wert von Genie 4 nicht in einer weiteren, noch realistischeren Demo. Er liegt darin, dass Weltsimulation zu einer Arbeitsweise wird, mit der man immer wieder proben kann: Filmschaffende können in eine Szene eintreten und Aufnahmen ausprobieren, Spielteams können Ideen prüfen, bevor sie Engine-Code schreiben, und Roboterteams können Abläufe in einer virtuellen Umgebung testen. Bis es mehr Menschen offensteht, wirkt es jedoch eher wie eine Research Preview als wie ein Produkt, das sofort ausgeliefert werden kann.
