Google 世界生成 AI「Genie 4」研究預覽公開：可生成約 2 分鐘含聲音世界，能用自然語言即時操控

事實

Genie 4 是什麼？

Google 已將全新 AI 模型「Genie 4」以研究預覽形式公開。所謂研究預覽，是指在正式廣泛販售之前，以研究為目的、只向有限對象展示的公開形式。

Genie 4 屬於被稱為「世界模型」的 AI，能依照文字或圖片等指令，生成會動的虛擬世界本身。Google 表示，Genie 4 能打造出比以往更接近現實的世界。

資料來源: theverge.com, techcrunch.com

支援聲音與即時操控

根據 Google 的說法，Genie 4 能生成聲音。這次的特點之一，是除了影像之外，還能創造出那個世界裡會響起的聲音。

此外，它也能用自然語言指令即時改變體驗。自然語言指的是用日常語言寫成的指示，而不是程式用的指令碼。使用者只要用口語表達，生成中的世界內容就會當場改變。

資料來源: theverge.com, techcrunch.com

體驗長度延長到約 2 分鐘

根據 Google 的說法，Genie 4 生成的體驗長度約 2 分鐘。前一代 Genie 3 約 1 分鐘，因此可生成的時間大約延長了一倍。

時間越長，就越能讓世界裡發生的事件持續更久。這代表它從短暫的展示，更接近一段有完整流程的體驗。

資料來源: theverge.com, techcrunch.com

初期只有限定測試者能用

Genie 4 的初期存取對象是「trusted testers」。意思是只先讓可信賴的對象試用，一般使用者無法立刻使用。

由於定位是研究預覽，現階段預料會以效能確認與安全性驗證為主。提供範圍會擴大到什麼程度，仍須等待後續發表。

資料來源: theverge.com, techcrunch.com

分析

世界模型競爭的意義

世界模型是各家公司積極投入的領域，被視為繼文字與圖片生成 AI 之後的下一個舞台。如果說文字生成 AI 是「創造語言」，世界模型就是「創造帶有動作與空間的體驗」，可用於遊戲、影像製作、教育、模擬等廣泛用途。

這次發表值得注意的，是進化方向集中在「更長、更逼真、可操控」三點。從 Genie 3 到 Genie 4 的變化，表現在生成時間延長、加入聲音，以及用語言當場修改內容。這可整理為 AI 所創造的世界正從「觀看」走向「參與」。

另一方面，生成的世界能信任到什麼程度，仍是待解課題。當逼真的影像與聲音搭配出現，人們誤以為是真實的風險也會提高。限定可信賴測試者公開，應該也有確認這些問題的用意。

對台灣讀者來說，遊戲與影像產業實力堅強，這類技術會如何進入製作現場，值得關注。不過目前仍在研究階段，尚未公布實際作為產品或服務推出的時間。今後的觀察重點，會是公開範圍擴大、生成時間進一步延長，以及聲音與操控結合後的體驗品質。

資料來源: theverge.com, techcrunch.com

這次發表的定位

這次發表並非推出完成品，而是把研究階段的模型展示給有限對象。這種做法被認為一方面展示效能，一方面也想在早期階段發現預期外的用法與問題。

對讀者來說，重要的是把「能做到什麼」和「什麼時候能用」分開來看。Genie 4 展示了約 2 分鐘的體驗、聲音、即時指令變更等能力，但一般開放的時期與使用條件並未明朗。能力發表與服務開始，應視為兩件不同的事。

資料來源: theverge.com, techcrunch.com

為什麼「世界模型」受到關注？

光聽「世界模型」這個詞，很難理解新在哪裡。過去的 AI 以生成文字或繪製圖片為主，世界模型則是創造帶有時間流動的空間本身。物體會動、聲音會響、場景會隨指令改變，這種體驗能整個生成出來，就是不同之處。

Genie 4 這次展示的，是世界模型從「短暫樣本」成長為「稍長的體驗」。從約 1 分鐘延長到約 2 分鐘，並不是單純的數字變化，而是代表能從事件的開始到結束，以某種程度完整的形式呈現。讀者可以把它理解為：AI 創造的世界，正從靜止畫面的單一格，轉向有流程的體驗。

「研究預覽」這種公開形式的意義

Genie 4 並非作為產品販售，而是以研究預覽形式公開，而且最初能接觸的只有 trusted testers，也就是被判斷為可信賴的有限對象。這種形式可說是在傳達技術可能性的同時，也展現謹慎態度。

為什麼不一次廣泛公開？原因之一，是結合逼真影像與聲音的體驗，可能對人的理解方式造成預期外的影響。當與真實難以分辨的世界能輕易被創造出來，確認資訊是否正確的成本也會增加。先讓有限對象試用，有助於在問題擴大前及早發現。

對讀者的意義，是要理解這項技術並非「馬上人人都能用」。研究預覽這個詞，也代表能力發表與實際開始使用之間，存在很大的落差。

生成時間延長的難度

體驗長度從約 1 分鐘延長到約 2 分鐘，確實可視為進步。不過時間越長，AI 就越必須長時間維持一個沒有矛盾的世界。如果途中物體位置突然改變，或聲音與影像對不上，體驗就會中斷。

也就是說，時間延長也是挑戰另一種難度的結果，這種難度與外觀逼真度不同。Genie 4 據稱也支援聲音，但要長時間同時維持影像與聲音一致，被認為比製作短暫樣本困難得多。

這點可作為今後觀察發表時的參考。當出現生成時間進一步延長的消息時，也要同時關注在那段長時間裡，世界的一致性是如何維持的。現在已進入不只看得數字大小，也要檢視內容穩定性的階段。

常見問題

Genie 4 一般人都能用嗎？

不行。初期存取對象是「trusted testers」，目前只限有限對象試用。

Genie 4 現在能做到什麼？

根據 Google 的說法，它能生成更逼真的世界，也能生成聲音，並可用自然語言指令即時改變體驗。

生成的體驗有多長？

根據 Google 的說法約 2 分鐘。前一代 Genie 3 約 1 分鐘。

資料來源

• Google’s next Genie AI model generates more realistic experiences (theverge.com)
• Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering (techcrunch.com)