Genie 4 核心能力：去掉宣传话术
四项能力把 Genie 4 与视频生成器区分开：实时操控、物理与人物真实感、原生音频、复杂事件模拟。
下面每一项都按 DeepMind 的原话来描述。
四项能力
Genie 4 的能力应当理解为四项互相咬合的能力，而不是四个独立的小技巧。操控需要物理来响应，音频需要场景知道「自己是什么地方」。
- 实时操控 — 会话中途以自然语言修改，无需重开。
- 物理与人物真实感 — 空气动力学、碰撞，以及可信的角色动作。
- 原生音频 — 环境音、类音乐声景与可响应对话，与画面一同生成。
- 复杂事件模拟 — 面向训练与预演的多步因果行为。
Google 未公布上述任何一项的基准数值。下面的强弱项是公告中的定性描述，不是实测结果。
每项能力到底意味着什么
把公告翻译成可操作的表述。
实时操控
改变天气、调整机位、加入物体或人物。Gemini 会按当前上下文重写提示，并在你的两次输入之间让场景继续推进。
物理与人物真实感
空气动力学、碰撞、自然的角色动作与反应。这些让物体真正「占据空间」。
原生音频
符合场景的环境音，加上随场景实时适配的角色对话——与画面一同生成，而非事后叠加。
复杂事件模拟
Gemini 推理多步结果，建模因果与程序化行为。这是机器人训练与智能体训练所依赖的能力。
SynthID 水印
每一段生成的视频与音频都带有隐形水印，设计目标是经受重新编码。
可提示的世界事件
在实时会话中注入剧情节拍——暴雨、门被推开、人群涌入——无需切到新镜头。
操控在实操中的样子
当世界是可交互的、而不是渲染出来的，会发生什么变化。
场景不会重开
在文生视频流程里，改天气意味着重新生成一段片段，并接受全新的画面风格。使用 Genie 4 时，指令作用于正在运行的场景，其它内容保持不变。
编辑之间的上下文被保留
因为 Gemini 会结合当前场景状态重写你的指令，所以像「下雨吧」这样一句短命令就能生效，无需重新描述地点、镜头与角色。
但预算有限
Google 指出，多次编辑后细节与物体恒存性会漂移。实际含义是：每次介入都会消耗一部分一致性，少量大改动比几十次小改动更稳。
环境音
与地点匹配的背景声——浪、车流、风、房间底噪。
类音乐声景
与场景契合的音调性材料，由模型生成，而非从曲库授权。
可交互对话
角色能说话，且台词会随场景发展而调整。
显式写进提示词
在提示词中写明声音会明显改变结果；不提声音，就完全交给模型决定。
复杂事件模拟
这项能力让 Genie 4 对机器人与智能体研究真正有价值：它建模的是多步之后的后果，而不只是下一帧。
能力维度对比
Genie 4 相对上一代模型、以及相对常规视频生成所处的位置。
| 能力 | Genie 4 | Genie 3 | 文生视频 |
|---|---|---|---|
| 实时交互 | 支持，可用语言编辑 | 支持导航与事件触发 | 不支持 |
| 生成音频 | 原生环境音与对话 | 官方未描述 | 通常后期添加 |
| 物理建模 | 空气动力学、碰撞、角色动作 | 具备但强调较少 | 逐帧推断 |
| 多步事件 | 经 Gemini 智能体循环 | 可提示世界事件 | 不支持 |
| 水印 | 视频与音频均有 SynthID | 视频有 SynthID | 因服务商而异 |
| 公开可用性 | 研究预览、AI Ultra、API 合作伙伴 | 有限研究预览 | 广泛可用 |
Genie 3 的数据来自其 2025 年 8 月的公告；Genie 4 的细节来自 2026 年 10 月的公告。
Scroll the table sideways to see all columns.
能力相关问题
厘清公告里说了什么、没说什么。