Google zkouší Genie 4, který vytváří ovladatelné světy se zvukem
V ukázkách Genie 4 lze během simulace měnit počasí, pohyb kamery i dialog postav. Zatím jej používají vybraní testeři; přístup pro předplatitele Google AI Ultra firma teprve chystá.
Na klávesnici se pohybujete scénou, textem změníte počasí nebo přidáte postavu. Google DeepMind tak v oznámení z 27. října 2026 představuje Genie 4. Jde o model světa: vytváří průběžně obraz prostředí podle toho, co se v něm děje a jak do něj zasahuje uživatel. K obrazu tentokrát generuje i zvuk včetně řeči. Zveřejněné záznamy firma popisuje jako ukázky interakcí v reálném čase.
Ohlášení ale neznamená volný přístup. Genie 4 zatím dostali vybraní testeři. Pro předplatitele Google AI Ultra v aplikaci Project Genie a vybrané partnery vývojářského rozhraní Gemini API a služby Google AI Studio firma přístup teprve připravuje. Konkrétní datum nezveřejnila. Ars Technica na tento rozdíl upozorňuje také a uvádí, že ceny pro vývojáře zatím nejsou k dispozici.
Gemini sleduje scénu a upravuje plán
Za souvislým dějem nestojí jen jeden model. Podle DeepMindu pomáhá Gemini Omni udržovat vzhled a chování prostředí. Gemini 3.8 Flash při generování sleduje scénu, rozkládá cíle na jednotlivé kroky a kontroluje přicházející snímky, aby vyhodnotil jejich splnění. Když se prostředí změní nebo do něj zasáhne uživatel, upraví plán.
Rozdělení práce je patrné i z popisu ovládání. Uživatel napíše, co chce změnit; Gemini pokyn přizpůsobí okolní scéně. Mezi uživatelskými zásahy dál sleduje její průběh a směruje ji. Genie vytváří to, co je vidět a slyšet. Google tuto spolupráci popisuje jako první krok k modelům, které propojí plánování pomocí jazyka a kódu s průběžným generováním obrazu.
Firma ukazuje také experiment s Gemini 4 Argon. V něm Argon rozepisuje zadání pro simulovaného humanoidního robota Apollo od Apptroniku, který hraje dámu. Dílčí kroky předává Genie jako textové pokyny během vytváření scény. Jde o zobrazenou simulaci, nikoli o předvedení této hry skutečným robotem.
Zvuk vzniká společně s prostředím
Genie 4 je podle Googlu první model světa z řady Genie, který generuje zvuk přímo. Vedle hudby vytváří ruchy odpovídající prostředí, například vítr ve stromech nebo příboj. Postavy mají vést rozhovor a reagovat na uživatelův vstup i na události kolem sebe.
Mezi zveřejněnými scénami je saxofonista na plošině uprostřed jezera. Zadání výslovně žádá zvuk saxofonu, vody a větru a zakazuje hudební doprovod, který by neměl zdroj uvnitř scény. Takový detail ukazuje, co má uživatel možnost určit textem. Sám o sobě však neříká, jak spolehlivě model stejné zadání splní při opakovaných pokusech.
Ars Technica v rozboru připomíná, že podobnost s videohrou nevystihuje celý záměr Googlu. Firma počítá také s prostředími pro trénování robotů a s rychlým zkoušením výtvarných či filmových nápadů. Uživatel v nich může procházet dějem bez předchozího ručního sestavení všech interakcí.
Předměty se při delší simulaci stále mění
Google mezi pokroky uvádí přirozenější pohyb lidí, srážky předmětů a aerodynamiku. V témže oznámení ale přiznává, že složité fyzikální interakce zůstávají výzkumným problémem. Stejně tak přesnost zvuku, čitelný text, prostorová přesnost a dlouhodobá návaznost děje.
Prostředí podle firmy drží pohromadě při krátkých sezeních. S delším během, složitými úpravami zadání nebo při pohybu scénou se mohou posouvat obrazové detaily i stálost objektů. Předmět tedy nemusí po čase vypadat stejně. Věrně působící ukázka srážky proto sama nedokládá přesnost fyzikálního výpočtu.
Vybraní testeři zkoušejí podle DeepMindu například přípravu filmových scén: za běhu mění kameru, osvětlení, dialog a akci. Herní tvůrci hledají vzhled a pravidla interakcí před psaním kódu pro herní engine. Google popisuje tyto činnosti jako testování možností raného modelu, ne jako hotový nástroj pro každou z uvedených profesí.
Obraz i zvuk vytvořený pomocí Genie 4 mají nést SynthID, neviditelný digitální vodoznak Googlu pro rozpoznávání generovaného obsahu. Zájemcům o vlastní zkoušku firma zatím nabízí čekací listinu v oznámení. Ani placený tarif AI Ultra tak k 28. říjnu sám o sobě neznamená okamžitý přístup k nové verzi.