Genie 4 от Google DeepMind: игровой мир по текстовому запросу, теперь со звуком и диалогами

Пока все обсуждают очередные рейтинги языковых моделей, меня больше зацепил другой анонс недели. Google DeepMind показала Genie 4 — модель, которая генерирует целый мир в реальном времени: по нему можно ходить с клавиатуры, крутить камеру и прямо по ходу менять сцену текстом.

Что нового по сравнению с прошлой версией

• Звук. Это первая «мировая» модель DeepMind, которая сама озвучивает сцену: ветер, прибой, музыку и даже реплики персонажей, которые реагируют на ваши действия.
• Управление на лету. Можно попросить сменить погоду, добавить человека или предмет, а Gemini подгонит запрос под происходящее в кадре и будет следить, чтобы мир не разваливался.
• Физика и люди. Отдельно хвалятся тем, как двигаются персонажи и как работают столкновения и аэродинамика.

Почему это интересно не только инженерам

Среди тестеров DeepMind прямо называет разработчиков игр: они используют Genie 4, чтобы за секунды проверить идею, визуальный стиль или механику ещё до того, как написан код на движке. Режиссёры пробуют модель как черновик для превиза — несколько «дублей» одной сцены с разной камерой и светом. Для раскадровок и концептов в анимации это выглядит как очень быстрый блокнот.

Где подвох

Сама компания честно перечисляет ограничения: на длинных сессиях детали «плывут», объекты могут исчезать, текст в кадре пока не читается, а сложная физика и точность звука ещё в работе. Весь сгенерированный звук и видео помечаются невидимым водяным знаком SynthID.

Доступ пока только у доверенных тестеров. Следующими обещают подписчиков Google AI Ultra в Project Genie и партнёров Gemini API. Подробности и ролики — в блоге DeepMind.