Google DeepMind'ın Genie 4'ü dünya simülasyonuna yerleşik ses ve gerçek zamanlı yönlendirme getiriyor

Gerçek zamanlı, hem gerçek görünen hem gerçek sesli dünyalar

Google DeepMind, en yeni dünya modeli Genie 4'ü araştırma önizlemesi olarak yayımladı. Duyuru, şirketin gerçek zamanlı simülasyon çalışmalarında iki adım ileriyi işaret ediyor: Ses artık görsellerle birlikte doğal olarak üretiliyor — ortam sesi, müzik ve olup bitenlere tepki veren diyalog — ve dünyaların kendisi şirketin şimdiye kadar ürettiği en fotogerçekçi örnekler.

Kullanıcılar Genie 4 ortamlarında standart klavye ve kamera kontrolleriyle hareket ediyor, simülasyon çalışırken de metin prompt'larıyla olup bitenleri yönlendiriyor. DeepMind'a göre bir prompt hava durumunu değiştirebilir, kamerayı yeniden konumlandırabilir veya bir sahneye yeni bir kişi ya da nesne ekleyebilir; sistem de bu yönergeyi çevresindeki bağlama uyacak biçimde yeniden yorumluyor. Girdiler arasında bir Gemini modeli sahneyi izliyor ve tutarlı kalmasını sağlamak için onu ileri taşıyor.

Model, DeepMind'ın ifadesiyle dünyaya dair fiziksel bir anlayış üzerine kurulu ve aerodinamik ile çarpışmalar gibi senaryoları simüle edebiliyor. Karakterler doğal biçimde hareket ediyor, ortamlarına tepki veriyor, etkileşimli olarak yönlendirilebiliyor ve konuşuyorlar: diyalog, kullanıcı girdisine ya da dünyada gelişen olaylara anında uyum sağlıyor. Her ortamın ayrıca ağaçlardaki rüzgârdan kumsaldaki dalgalara kadar kendine özgü bir ses manzarası var.

TechCrunch'a göre Genie 4, bir sahneyi iki dakikaya kadar tutarlı biçimde koruyabiliyor — bu, bir yılı biraz aşan bir süre önce araştırma önizlemesi olarak gelen öncülü Genie 3'ün sınırının iki katı.

Yönetmen olarak Gemini

Genie 4, Google'ın Gemini modelleriyle sıkı biçimde bütünleşik. DeepMind'a göre Gemini Omni simülasyonları gerçek dünyadaki görünüm ve davranışa bağlıyor; Gemini 3.8 Flash ise döngüdeki bir kılavuz ajan olarak görev yapıyor: üretilen dünyayı gözlemliyor, hedefleri adımlara bölüyor, her adımın başarılı olduğunu doğrulamak için gelen kareleri denetliyor ve kullanıcı müdahale ettiğinde planını gözden geçiriyor.

Gemini Robotics ile bağlantılı bir araştırma deneyinde, bir Gemini 4 Argon modeli kullanıcı talimatıyla verilen bir görevi adımlara ayırdı ve bu adımlar, simülasyon render edilirken metin altyazıları olarak Genie 4'e beslendi — bu, Apptronik'in Apollo humanoid robotunun dama oyunu oynamasıyla gösterildi. DeepMind bunu, robot senaryolarını gerçek donanımda çalıştırmadan önce simülasyonda prova etmenin bir yolu olarak konumlandırıyor.

Şirketin açıkladığı yön, kodun ve dil modellerinin yapılandırılmış akıl yürütmesini piksel düzeyindeki simülasyonla eşleştiren hibrit dünya modelleri. Google'da araştırma direktörü olan Tejas Kulkarni, bir basın brifinginde geleceğin Gemini kod ve metin yazarken Genie'in bunları gerçek zamanlı içeriği almasında yattığını söyledi; TechCrunch aktarıyor.

Test kullanıcları bununla ne yapıyor

Erken erişim grupları yaratıcı endüstriler, gazetecilik, eğitim, oyun ve mühendislik alanlarına yayılıyor. DeepMind'a göre film yapımcıları onu canlı bir ön görselleştirme aracı olarak kullanıyor, bir sahnenin içine girip çoklu çekim yapıyor ve kamera açılarını, ışıklandırmayı ve aksiyonu anında ayarlıyor; foto muhabirleri tek bir arşiv fotoğrafını, ani seller veya orman yangınları gibi kısa süreli olayların modelleri de dahil olmak üzere keşfedilebilir bir simülasyona dönüştürüyor; oyun geliştiricileri de motor kodu yazmadan önce görsel stilleri ve etkileşimli mekanikleri doğal dille prototipliyor.

DeepMind mühendisi Diego Rivas, muhabirlere, gerçek zamanlılığın en çok fikir üretme ve storyboard gibi yaratıcı akış hâlinin korunmasının faydalı olduğu yerlerde önemli olduğunu söyledi; TechCrunch aktarıyor.

Yayılım, sınırlar ve rekabet

Genie 4 şu anda güvenilir test kullanıclarının erişimine açık; önümüzdeki haftalarda Project Genie üzerinden Google AI Ultra abonelerine ve Gemini API ile Google AI Studio'nun erken erişim ortaklarına yayılacak. Üretilen tüm video ve ses, DeepMind'ın SynthID filigranını taşıyor ve model lansmandan önce iç güvenlik değerlendirmelerinden geçti.

Ekip boşluklar konusunda açık sözlü. TechCrunch'a göre ayrıntılar ve nesneler simülasyon uzadıkça kayabiliyor ve araştırmacılar ses doğruluğunu ya da dünya içindeki okunabilir metni garanti etme sorununu henüz çözememiş durumda.

Sürüm, aynı zamanda saflaşan bir alana denk geliyor. TechCrunch, Runway'in birkaç ay önce ses üretimiyle birlikte ikinci dünya modeli GWM Worlds 2'yi çıkardığını; AMD'nin Fei-Fei Li'nin World Labs'ını satın aldığını, Amazon'un Decart'ı alma görüşmelerinde olduğunu ve Rivian'ın kendi kendini süren araç simülasyonunu şirket içine almak için Third Dimension'ı satın aldığını not ediyor.

Neden önemli

DeepMind, dünyayı anlamanın ve simüle etmenin AGI inşa etmenin kilit bir parçası olduğunu savunuyor ve Genie 4 pratik yakın vadeli kullanımlara işaret ediyor: robotlar ve ajanlar için eğitim ortamları, oyun ve film için hızlı prototipleme ve gerçeklikte sahnelenmesi çok maliyetli ya da tehlikeli senaryoların görselleştirilmesi. Doğal olarak üretilen ses ile gerçek zamanlı yönlendirmenin birleşimi, üretilen dünyalarla tasarlanmış etkileşimli deneyimler arasındaki boşluğu daraltıyor ve Gemini'nin döngüde olduğu mimari, rakiplerin muhtemelen taklit edeceği bir şablon öneriyor: dil modelleri planlıyor, dünya modelleri render ediyor. Geliştiriciler için yakındaki Project Genie ve API erişimi, canlı ve düzenlenebilir simülasyonun bir araştırma demosundan çok bir geliştirme hedefi hâline gelip gelmediğini test etmenin ilk fırsatını sunuyor.