Google DeepMind'in Genie 4'ü ürettiği dünyalara native ses ve gerçek zamanlı yönlendirme ekliyor

Prompt'tan gerçek zamanlı dünyalar

Google DeepMind, bir metin prompt'undan veya tek bir görselden yola çıkarak gerçek zamanlı olarak keşfedilebilir, fotogerçekçi ortamlar üreten bir dünya modeli olan Genie 4'ü duyurdu. 27 Ekim 2026 tarihli duyuruya ilişkin bir dev.to yazısına göre model, güvenilir test kullanıcılara yönelik bir research preview olarak sunuluyor; ilk olarak Project Genie üzerinden Google AI Ultra abonelerine, ayrıca Gemini API ve Google AI Studio'nun erken erişim ortaklarına açılıyor ve diğer herkes için bir bekleme listesi mevcut.

Native ses ve daha uzun sahneler

Sürümü iki değişiklik tanımlıyor. İlki ses: Genie 4, DeepMind'in native sesli ilk gerçek zamanlı dünya modeli. Bu, müziğin, ortam seslerinin ve etkileşimli diyalogların görsellerin üzerine sonradan eklenmek yerine onlarla birlikte üretilmesi anlamına geliyor. Bir sahnedeki karakterler simülasyon çalışırken konuşabiliyor ve tepki verebiliyor.

İkincisi süre. Tutuarlı sahneler artık yaklaşık iki dakikaya kadar ayakta kalabiliyor; bu, Genie 3'ün kabaca 60 saniyelik sınırının iki katı. dev.to habiri bunu önemli bir gelişme olarak sunuyor, çünkü sapma her zaman dünya modellerinin zayıf noktası olmuş — simülasyon ne kadar uzun sürerse o kadar çok ayrıntı kayboluyor. Yazıya göre DeepMind sorunun çözülmediğini açıkça söylüyor: görsel ayrıntılar ve nesne kalıcılığı daha uzun koşular sırasında, birkaç karmaşık prompt düzenlemesinden sonra ya da kullanıcı sahnede hareket ederken hâlâ değişebiliyor.

Simülasyon çalışırken yönlendirme

Model ayrıca çalışma sırasında yönlendirilebiliyor. Kullanıcılar sahneyi durdurmadan havayı değiştirebiliyor, kamerayı yeniden konumlandırabiliyor ya da yeni kişiler ve nesneler ekleyebiliyor; klavye kontrolleriyle gezinirken talimatları doğal dille verebiliyor. Yazıya göre Gemini bu prompt'ları sahneye uyarlıyor. Mimari tarafında Gemini Omni gerçek dünya nesnelerinin nasıl göründüğünü ve davrandığını temellendirirken, Gemini 3.8 Flash simülasyonu rayında tutan bir in-loop yönlendirici ajan olarak görev yapıyor.

Daha iyi insanlar, fizik ve köken bilgisi

DeepMind bu nesildeki en büyük ilerlemeyi insanlar ve fizik olarak gösteriyor: karakterler daha doğal hareket ediyor ve model çarpışmaları ile aerodinamiği öncekinden daha ikna edici biçimde simüle ediyor. Genie 4'ün ürettiği her video ve ses çıktısı SynthID filigranı taşıyor; böylece üretilen materyal yapay zekâ tarafından yapılmış olarak tanımlanabiliyor — dev.to habirine göre bu araçlar fotogerçekçiliğe yaklaştıkça daha çok önem kazanacak bir ayrıntı.

Neden önemli

Yakın vadeli uygulamalar kesinleşmiş değil, yalnızca ipucu veriyor ve dev.to yazısı bu ayrımı açıkça belirtiyor. Oyun tasarımında bir yönetmen tek bir cümleden oynanabilir bir sahne taslağı çıkarıp bir build beklemek yerine üzerinde canlı olarak çalışabilir. Film prodüksiyonunda ekipler herhangi bir set kurulmadan önce mekânları kurgulayabilir, kamera hareketlerini test edebilir ve sekansları prova edebilir. Eğitimde öğrenciler tarihi bir sokakta veya bir fizik deneyinin çevresinde gezinebilir.

Robotik, somut bir araştırma bağlantısı bulunan tek alan. DeepMind, Genie 4'ü görevleri gerçek zamanlı simüle edilen adımlara bölen bir Gemini 4 Argon modeliyle eşleştirdi; bu, herhangi bir donanım devreye girmeden robot davranışlarını simülasyonda test etmenin olası bir yolu.

Dürüst değerlendirme şu: Genie 4 hâlâ sıkı sınırları olan bir research preview — iki dakikalık tutarlılık, baskı altında sapma ve kısıtlı bir dağıtım. Ama gidiş yönü açık. Gerçek gibi görünen, gerçek gibi seslenen, konuşmaya tepki veren ve canlı yönlendirme kabul eden dünyalar laboratuvar gösterilerinden uzaklaşıp pratik bir prototipleme ortamı olmaya yaklaşıyor — ve becerikli olmanın yolu, tutarlılık penceresi hâlâ dakikalarla ölçülürken onları yönlendirmeyi öğrenmek olabilir.