Светове със звук по команда: Google DeepMind представи световния модел Genie 4
Genie 4 създава интерактивни фотореалистични светове в реално време – за първи път с музика, звуци и диалози. С текстова команда времето или камерата могат да се сменят по средата на симулацията.
Снимка: Gciriani / Wikimedia Commons, CC BY-SA 4.0 (изрязана и мащабирана)
Видео: YouTube · Google DeepMind · youtube.com
Google DeepMind представи във вторник Genie 4 – новото поколение на своя т.нар. световен модел. Изкуственият интелект създава фотореалистични сцени, в които може да се движиш, в реално време, а според DeepMind – като първия световен модел в реално време на лабораторията – и подходящия звук: музика, околни шумове и диалози. Потребителите могат да променят текущата симулация с текст, например да сменят времето, да местят камерата или да добавят хора и предмети. Сцените трябва да остават последователни до две минути – двойно повече от предшественика Genie 3. Видеото на Google DeepMind показва примери.
В работата участват и модели Gemini: Gemini 3.8 Flash планира като своеобразен режисьор многоетапни действия и проверява дали всяка стъпка е успешна. В роботизиран експеримент DeepMind накара симулиран хуманоид Apptronik Apollo да играе дама. Засега Genie 4 се тества само от избрани партньори – сред тях филмови творци, фотожурналисти и разработчици на игри, например за сториборд или прототипи на игри.
DeepMind сама признава ограниченията: при по-дълги сесии или много промени детайли и предмети могат да се изместват; точният звук и четливият текст в сцената все още не са гарантирани. Всички резултати носят водния знак SynthID. През следващите седмици Genie 4 трябва да стане достъпен за абонатите на Google AI Ultra в Project Genie, както и за ранни партньори на Gemini API и Google AI Studio; цени Google не съобщи.