Blog

گوگل Genie 4 را معرفی کرد: دنیای تعاملی real-time با صدا، به کمک Gemini

دیپ‌مایند از Genie 4 رونمایی کرد: مدل جهانی که دنیای تعاملی را real-time با صدای native می‌سازد، با متن کنترل می‌شود و Gemini در حلقه‌اش برنامه‌ریزی می‌کند؛ فعلاً فقط برای تسترهای منتخب.

27 Oct 2026 · 2 min read · Google DeepMind · Genie 4 · World Model · هوش مصنوعی · Gemini · رباتیک

گوگل Genie 4 را معرفی کرد: دنیای تعاملی real-time با صدا، به کمک Gemini

گوگل دیپ‌مایند امروز (۲۷ اکتبر) از Genie 4 رونمایی کرد؛ نسل جدید «مدل جهان» (world model) که یک دنیای تعاملی را به‌صورت real-time می‌سازد و شما با کیبورد داخلش حرکت می‌کنید و با متن، صحنه را همان لحظه عوض می‌کنید. بزرگ‌ترین خبر این نسخه: صدا حالا هم‌زمان با تصویر و به‌صورت native تولید می‌شود؛ از صدای باد و موج تا موسیقی و دیالوگ آدم‌های داخل صحنه.

معرفی Genie 4 گوگل دیپ‌مایند
Genie 4، نسل جدید شبیه‌سازی جهان. منبع: Google DeepMind

چه چیزهایی جدید است؟

  • کنترل صحنه با زبان طبیعی در لحظه: آب‌وهوا را عوض کنید، دوربین را جابه‌جا کنید یا یک آدم یا شیء جدید وارد صحنه کنید؛ Gemini پرامپت شما را با فضای صحنه تطبیق می‌دهد.
  • واقع‌گرایی بیشتر در فیزیک و حرکت انسان: شبیه‌سازی برخورد، آیرودینامیک و حرکت روان‌تر آدم‌ها.
  • صدای native: اولین مدل جهان real-time دیپ‌مایند که خودش صدا تولید می‌کند.
  • Gemini در حلقه: مدل Gemini 3.8 Flash مدام فریم‌ها را می‌بیند، هدف را به چند مرحله می‌شکند و چک می‌کند هر مرحله واقعاً انجام شده باشد. نتیجه: علت و معلول قابل‌اعتمادتر و رویدادهای چندمرحله‌ای.
دنیاهای تعاملی ساخته‌شده با Genie
نمونه دنیاهای تعاملی Genie 3 که با کلیدهای جهت‌نما کنترل می‌شدند؛ Genie 4 روی همین پایه ساخته شده. منبع: Google DeepMind

رباتیک و شبیه‌سازی برای ایجنت‌ها

دیپ‌مایند Genie 4 را صراحتاً ابزاری برای ساختن محیط آموزش ربات‌ها و ایجنت‌ها معرفی می‌کند. در یکی از دموها، مدل Gemini 4 Argon یک کار (بازی چکرز توسط ربات انسان‌نمای Apollo از Apptronik) را به چند مرحله می‌شکند و این مراحل به‌شکل کپشن متنی به Genie 4 داده می‌شوند تا شبیه‌سازی قدم‌به‌قدم جلو برود.

کی و چطور در دسترس است؟

فعلاً فقط به‌صورت research preview برای trusted testerها. قدم بعدی، مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio هستند و برای Project Genie لیست انتظار باز شده. همه‌ی ویدیو و صدای خروجی هم واترمارک نامرئی SynthID دارد.

رابط Project Genie برای ساخت محیط با پرامپت
رابط Project Genie: محیط را با یک پرامپت تعریف می‌کنید و زاویه‌ی دید را انتخاب می‌کنید. منبع: Google DeepMind

خود دیپ‌مایند هم محدودیت‌ها را پنهان نکرده: در جلسه‌های طولانی یا بعد از چند ویرایش پیچیده، جزئیات صحنه و ماندگاری اشیا هنوز «drift» دارد و فیزیک پیچیده، متن خوانا و دقت فضایی هنوز کار دارد.

نظر من

دمو خیره‌کننده است، ولی هنوز دمو است. تا وقتی دسترسی فقط دست تسترهای منتخب است، عددی برای مقایسه نداریم و نمی‌دانیم کیفیت واقعی بیرون از ویدیوهای دست‌چین چقدر است.

به نظرم مهم‌ترین بخش ماجرا صدا یا گرافیک نیست؛ ترکیب Gemini به‌عنوان «مغز برنامه‌ریز» و Genie به‌عنوان «موتور رندر» است. این همان مسیری است که برای آموزش ربات‌ها و ایجنت‌ها در محیط شبیه‌سازی‌شده لازم داریم. برای بازی‌سازها هم یک ابزار جدی پروتوتایپ در راه است، اما جایگزین موتور بازی؟ با این drift و نبود ماندگاری اشیا، هنوز نه.

منبع: Google DeepMind Blog

Comments0

Comments +

00

No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.

Leave a comment

0 / 2000