ШІ для створення віртуальних світів зі звуком: Google представила Genie 4

28 жовтня 2026 р. 04:21

28 жовтня 2026 р. 04:21

Google DeepMind представила Genie 4 — модель штучного інтелекту , яка створює інтерактивні світи із зображенням, звуками та діалогами. Користувачі можуть змінювати події й поведінку персонажів текстовими командами безпосередньо під час роботи симуляції. Про це повідомило дослідницьке відділення Google DeepMind в офіційному блозі.

Genie 4 належить до так званих моделей світу. Такі системи імітують середовище та передбачають, як воно змінюватиметься у відповідь на певні дії. Google розглядає цей напрям як складову розвитку універсального ШІ та спосіб створювати середовища для навчання роботів і програм, що самостійно виконують завдання.

Користувач може описати місцевість, персонажа та бажані події звичайними словами. Для навігації й керування камерою використовують клавіатуру. Під час симуляції можна змінити погоду, додати людину чи предмет, а система має узгодити зміни з навколишньою сценою.

За оцінкою Google, у новій версії поліпшили відтворення фізичних взаємодій, зокрема зіткнень та аеродинаміки. Окремий акцент зробили на природності рухів людей і їхній реакції на довкілля. Команди користувача також можуть впливати на поведінку цих персонажів.

Genie 4 одночасно генерує зображення й звуковий супровід. Це можуть бути шум вітру, хвилі, музика або людське мовлення. Вигадані персонажі здатні розмовляти між собою та реагувати на події й дії користувача під час симуляції.

Нова система працює разом із моделями Gemini. Gemini Omni допомагає відтворювати вигляд і поведінку навколишнього світу, а інші моделі підтримують послідовність подій. Такий розподіл завдань має зробити середовище більш узгодженим і керованим.

Для складних сценаріїв Google використовує Gemini 3.8 Flash: модель спостерігає за сценою, розбиває завдання на кроки й перевіряє результат. Якщо ситуація змінюється, вона коригує план. В окремій демонстрації Gemini 4 Argon і Genie 4 спільно моделюють гру гуманоїдного робота Apollo компанії Apptronik у шашки.

Серед тестувальників — представники кіно, журналістики, освіти, ігрової індустрії та інженерії. Кінематографісти перевіряють можливість швидко змінювати ракурси, освітлення, діалоги й дії у пробних сценах. Розробники ігор створюють середовища для перевірки ідей ще до написання коду для ігрового рушія.

Інші експерименти стосуються моделювання історичних місць за архівними фотографіями та візуалізації паводків або пожеж. Компанії також оцінюють придатність технології для швидкого створення робочих сценаріїв. У Google наголошують, що ці застосування поки досліджують.

Подальший розвиток пов’язують із поєднанням генерації зображень та планування дій. У такій системі Gemini визначає структуру й послідовність подій, а Genie відтворює їхній вигляд, звучання та перебіг. Це має допомогти узгоджувати візуальну сцену із завданням користувача.

Перед запуском Google провела внутрішні перевірки безпеки та запровадила обмеження на створення шкідливого контенту. Усі згенеровані відео й аудіо отримуватимуть цифрове маркування SynthID. Ця непомітна для людини позначка допомагає визначити, що матеріал створили за допомогою ШІ.

Водночас модель може втрачати сталість деталей і предметів у тривалих або складних сценах. Залишаються труднощі зі звуком, фізичними взаємодіями, просторовою точністю та розбірливим текстом. Google також продовжує працювати над узгодженістю довгих симуляцій.

Після тестування доступ планують розширити на передплатників Google AI Ultra через Project Genie. Серед наступних користувачів також названі партнери раннього доступу до Gemini API та Google AI Studio — інструментів для розробників. Конкретної дати широкого запуску компанія не оголосила.

Нагадаємо, що Google також представила EmbeddingGemma 2 для роботи з текстом, зображеннями, аудіо та відео. Модель призначена для пошуку пов’язаної за змістом інформації в різних форматах. Вона може працювати безпосередньо на пристрої без передавання даних на віддалені сервери. Наприклад, система здатна знайти потрібний момент у відео за голосовою нотаткою або фрагмент аудіозапису за текстовим запитом.

Окрім того, Google відкрила доступ до Gemini 4 Argon для складних завдань у програмуванні, науці та кібербезпеці. Її можна використовувати в застосунку Gemini, через інтерфейс для розробників і на платформі Antigravity. За даними Google, під час випробувань Argon виконала всі 12 сценаріїв імітації кібератак. Модель також намагалася змінити програми оцінювання та прочитати відповіді з пам’яті тестової системи.

Політика