Genie 4: Googles AI bygger världar med ljud som du styr med ord

Genie 4 är Google DeepMinds nya världsmodell, och världarna den skapar har äntligen fått ljud. Beskriv en scen med en mening eller ge modellen en referensbild, så skapar den en plats där du kan röra dig med tangentbordet medan den spelar upp vinden i träden, vågorna på stranden och rösterna från människorna som står där. De kan nu föra samtal som reagerar på det du gör – något DeepMind beskriver som den verkliga milstolpen i den här versionen.

För alla som provat tidigare versioner är den största förändringen kontrollen. Du kan skriva en instruktion som ändrar vädret, vrider kameran eller placerar en ny person eller ett föremål i scenen, så omformulerar Gemini din begäran så att den passar in i det som redan syns på skärmen. Mellan dina kommandon fortsätter Gemini att styra simuleringen så att världen inte faller isär. Det känns mindre som att spela ett tv-spel och mer som att regissera en filminspelning som aldrig avbryts – och det är så några av de tidiga testarna redan använder modellen.

Gemini planerar scenen medan Genie målar upp den

Genie 4 bygger vidare på resten av Googles modellfamilj. Enligt DeepMinds tillkännagivande förankrar Gemini Omni varje simulering i hur världen ser ut och fungerar i verkligheten, medan andra Gemini-modeller står för resonemanget som håller scenen samman från ett ögonblick till nästa. Gemini 3.8 Flash fungerar som en vägledande agent i processen: den följer världen medan Genie 4 skapar den, delar upp ett mål i steg, granskar inkommande bildrutor för att kontrollera att varje steg lyckats och ändrar planen när du avbryter.

DeepMind säger att det största språnget gäller människorna. Figurerna rör sig mer naturligt, reagerar på sin omgivning och går att styra medan simuleringen pågår. Modellen hanterar också fysikaliska fenomen som aerodynamik och kollisioner. Demonstrationerna på företagets blogg visar bland annat ett lönnfrö som snurrar ner i gräset, en fullsatt järnvägsstation på landsbygden i 1980-talets Japan och ett drakrace i förstapersonsperspektiv, ackompanjerat av dånande vingslag. Allt ljud har skapats av Genie 4. Genie 3 skapade ljudlösa världar i 720p och 24 bildrutor per sekund. Den här gången har DeepMind inte publicerat några uppgifter om upplösning eller bildfrekvens, så förbättringen går bara att bedöma utifrån företagets egna klipp.

Spel är inte det enda användningsområdet. DeepMind menar att simulering av världen är ett avgörande steg mot artificiell generell intelligens, och i en demonstration kombineras Genie 4 med Gemini 4 Argon för att simulera hur Apptroniks humanoida robot Apollo spelar dam. Argon delar upp uppgiften i steg och skickar dem till Genie 4 som textbeskrivningar medan scenen återges. På lång sikt är affärsidén att skapa trygga och oändligt varierade övningsvärldar för robotar och programvaruagenter – långt innan någon säljer ett Genie-spel.

Filmskapare och pressfotografer fick tillgång först

DeepMind har testat Genie 4 med grupper från de kreativa branscherna, journalistiken, utbildningssektorn, spelbranschen och ingenjörsområdet. Filmskapare använder modellen som ett skissläge för förvisualisering: de kliver in i en scen i realtid och gör flera tagningar medan de justerar kameravinklar, ljussättning, dialog och handling. Spelutvecklare går från idé till en prototyp som går att utforska på några sekunder, innan de skriver en enda rad motorkod. Företagspartner testar modellen för att snabbt skapa olika scenarier.

Det mest känsliga experimentet involverar pressfotografer, som undersöker hur ett enda arkivfoto på några sekunder kan bli en simulerad version av platsen, befolkad och i rörelse. DeepMind nämner också visualiseringar av hur en störtflod eller en skogsbrand utvecklas. En övertygande promenad genom en verklig historisk gata, där påhittade människor talar, är också en övertygande förfalskning. DeepMinds svar är SynthID, den osynliga vattenstämpel som bäddas in i allt video- och ljudmaterial som Genie 4 skapar, samt interna säkerhetsutvärderingar och en gradvis lansering. SynthID gör bara nytta om plattformar och tittare faktiskt använder ett detektionsverktyg, och ingenting på skärmen talar om för en vanlig tittare att materialet är syntetiskt.

Världarna driver fortfarande iväg

DeepMind är ovanligt öppet med begränsningarna. Genie 4 håller ihop en miljö under kortare sessioner, men visuella detaljer och föremåls beständighet kan förändras när simuleringen pågår längre, efter flera komplicerade ändringar av instruktionerna eller när du rör dig runt i scenen. Komplicerade fysiska interaktioner, korrekt ljud i realtid, läsbar text, rumslig precision och långsiktig konsekvens listas alla som olösta forskningsproblem. Enkelt uttryckt är bokhyllan du gick förbi för en minut sedan kanske inte samma bokhylla när du vänder dig om.

De flesta kan ännu inte prova modellen. Genie 4 är en forskningsförhandsversion som bara är tillgänglig för betrodda testare. Google säger att den snart kommer till Google AI Ultra-prenumeranter via Project Genie, företagets webbapp för att skapa världar, och till partner med tidig tillgång till Gemini API och Google AI Studio. En väntelista är redan öppen. Något lanseringsdatum finns inte, och någon prislapp utöver Ultra-abonnemanget – Googles dyraste AI-plan – har inte angetts. Företaget har inte heller sagt vilka länder som får tillgång först. När Project Genie lanserades den 29 januari 2026, med Genie 3, var tjänsten endast öppen för Ultra-prenumeranter i USA som fyllt 18 år, och sessionerna var begränsade till 60 sekunder.

DeepMind tillkännagav Genie 4 den 27 oktober 2026 i ett inlägg undertecknat av Raia Hadsell, Diego Rivas och Hang Qi. Produktserien inleddes i februari 2024 med en modell som omvandlade bilder till enkla plattformsspel i 2D, gick över till 3D med Genie 2 i december 2024 och nådde utforskning i realtid med Genie 3 i augusti 2025. Varje generation har tillfört något nytt: en tredje dimension, sedan rörelse i realtid och nu ljud och tal. Det Genie 4 fortfarande måste bevisa är att en värld kan minnas sig själv längre än en fikapaus.

Taggar: artificiell intelligens, Google, Gemini, Google DeepMind, Genie 4, Project Genie