Genie 4 od Google DeepMind. Model świata z dźwiękiem i dialogami

Czym jest Genie 4 i co zmienia względem Genie 3

Model świata (world model) to sieć neuronowa, która tworzy spójne otoczenie i reaguje na działania użytkownika na bieżąco. W odróżnieniu od generatora wideo nie oddaje gotowego klipu, tylko pozwala poruszać się po scenie i wpływać na jej przebieg. Genie 3 pokazano jako wersję badawczą nieco ponad rok wcześniej, a od stycznia 2026 roku jego możliwości testują abonenci Google AI Ultra w aplikacji Project Genie.

Według wpisu Google DeepMind Genie 4 przynosi większy fotorealizm, płynniejszy ruch i natywny dźwięk. Model ma symulować, jak świat reaguje na zdarzenie wywołane przez użytkownika oraz jak ludzie w scenie się poruszają, reagują i mówią. Autorami wpisu są Raia Hadsell, Diego Rivas i Hang Qi z Google DeepMind.

Dźwięk, dialogi i sterowanie poleceniami na żywo

Genie 4 generuje dźwięk w tym samym procesie co obraz. Chodzi o muzykę, odgłosy otoczenia i rozmowy postaci, które dostosowują się do poleceń użytkownika i zdarzeń w scenie. Poprzednia wersja tworzyła wyłącznie obraz.

Druga nowość to sterowanie sceną w trakcie działania. Użytkownik porusza się klawiaturą, a tekstem może wydawać polecenia zmieniające świat. Google wymienia następujące przykłady.

• zmiana pogody w trwającej symulacji,
• przesunięcie albo zmiana ujęcia kamery,
• dodanie do sceny osób lub przedmiotów,
• rozmowa z postaciami, które odpowiadają na bieżąco.

Rola modeli Gemini w symulacji

Genie 4 nie działa samodzielnie. Gemini Omni ma zakotwiczać wygląd i zachowanie obiektów w realnym świecie, a Gemini 3.8 Flash pełni rolę agenta, który obserwuje scenę, dzieli cel na kroki, sprawdza kolejne klatki i poprawia plan, gdy świat się zmieni albo użytkownik coś doda. Gemini dopasowuje też każde polecenie tekstowe do kontekstu sceny, żeby zmiana nie rozbiła jej spójności.

W pracach badawczych Google łączy Genie 4 z modelem Gemini 4 Argon, który rozbija zadanie użytkownika na opisy sterujące symulacją. TechCrunch przytacza wypowiedź dyrektora badań Google Tejasa Kulkarniego, według którego coraz częściej będą powstawać hybrydowe modele świata, czyli połączenia modelu generującego obraz z modelem planującym.

Do czego Google chce używać modelu

Google wskazuje trzy główne kierunki, czyli gry, interaktywną naukę i robotykę. W robotyce Genie 4 ma tworzyć środowiska treningowe, w których roboty i agenci AI ćwiczą zadania przed wdrożeniem w świecie fizycznym. Przykłady z wpisu to ramię Universal Robots UR5 dozujące płyn do płytki laboratoryjnej i humanoid Apptronik Apollo grający w warcaby, przy czym zadanie jest dzielone na kroki wykonywane na żywo.

Zaufani testerzy używają modelu do szybkich szkiców filmowych i scenorysów, prototypów gier, scenariuszy symulacyjnych dla firm oraz w dziennikarstwie, gdzie z jednego archiwalnego zdjęcia powstaje symulowane otoczenie. Inżynier Google DeepMind Diego Rivas powiedział TechCrunch, że model najbardziej pomaga wtedy, gdy potrzebne jest szybkie generowanie pomysłów. Zastrzegł też, że zamiana takich prototypów w gotowe materiały kreatywne to wciąż odległa perspektywa.

Kto dostanie dostęp i czy Genie 4 zadziała w Polsce

Na razie Genie 4 jest wersją badawczą dla zaufanych testerów. Według Google w najbliższych tygodniach trafi do abonentów Google AI Ultra w Project Genie oraz do partnerów wczesnego dostępu Gemini API i Google AI Studio. Firma prowadzi listę oczekujących na Project Genie, ale nie podała daty, ceny dostępu przez API ani listy krajów.

Dla polskich użytkowników najważniejsze jest ograniczenie geograficzne. W maju 2026 roku Google zapowiedziało stopniowe udostępnienie Project Genie abonentom najdroższego wariantu AI Ultra (200 USD miesięcznie w USA) na całym świecie, z wymogiem ukończenia 18 lat. Lista krajów w FAQ Google Labs, sprawdzona przez nas 27 października 2026 roku, obejmuje m.in. Wielką Brytanię i Stany Zjednoczone, ale nie zawiera Polski ani żadnego innego państwa Unii Europejskiej. Wpis o Genie 4 nie wspomina o zmianie tej polityki.

W praktyce polscy twórcy gier, studia animacji i zespoły robotyczne mogą na razie śledzić prace i zapisać się na listę oczekujących. Bardziej realną drogą może okazać się dostęp przez Gemini API, ale Google nie określiło jeszcze warunków dla partnerów wczesnego dostępu.

Ograniczenia i zabezpieczenia

Google wprost przyznaje, że szczegóły wizualne i trwałość obiektów mogą się rozjeżdżać z upływem czasu, szczególnie w dłuższych sesjach i po wielu edycjach. Jako obszary dalszych badań firma wymienia złożone interakcje fizyczne, dokładność dźwięku w czasie rzeczywistym, czytelny tekst w scenie, dokładność przestrzenną i długoterminową spójność. Dwuminutowy limit spójnej sceny podaje TechCrunch, wpis Google nie zawiera liczb.

Wszystkie obrazy i dźwięki z Genie 4 mają zawierać znak wodny SynthID, a model przeszedł wewnętrzne testy bezpieczeństwa przed udostępnieniem testerom. W naszej ocenie realistyczne sceny z mówiącymi postaciami zwiększają ryzyko tworzenia wiarygodnych fałszywek, więc znakowanie i ostrożne udostępnianie są tu warunkiem, a nie dodatkiem.

Genie 4 pojawia się w okresie wyścigu o modele świata. Runway kilka miesięcy wcześniej wydał GWM Worlds 2 z generowaniem dźwięku, AMD przejmuje World Labs Fei-Fei Li, a Rivian 22 października 2026 roku kupił Third Dimension, żeby rozwijać symulacje dla jazdy autonomicznej.