Dźwięk, fizyka i ludzie w Genie 4
Genie 4 jest pierwszym modelem świata DeepMind z natywnym dźwiękiem. Generuje go w czasie realnym, dopasowanego do symulowanego otoczenia: muzykę, odgłosy tła i interaktywny dialog. Elementy audio można wskazywać wprost w prompcie. DeepMind zapowiada, że dialog będzie adaptował się do zmian w symulacji.
Poprawić miała się też fizyka. Model lepiej radzi sobie z aerodynamiką i kolizjami, a postacie wyglądają mniej sztucznie i naturalniej reagują na otoczenie. Przy dłuższych sesjach szczegóły i obiekty zaczynają dryfować, a DeepMind przyznaje, że nie uporał się jeszcze z wiarygodnością dźwięku ani czytelnością tekstu wewnątrz świata.
Pogodę, kąt kamery, nowe osoby i obiekty zmienia się w czasie realnym, bez zatrzymywania sceny. Spójność sceny utrzymuje się do dwóch minut, dwukrotnie dłużej niż w Genie 3.
Genie 4 jest na razie dostępny jako research preview dla zaufanych testerów.
Gemini 3.8 Flash jako reżyser symulacji
Za sterowanie symulacją w Genie 4 odpowiada Gemini 3.8 Flash, który w tej konfiguracji pełni rolę agenta prowadzącego. Model rozbija cele na kroki i ocenia każdą wygenerowaną klatkę, dzięki czemu symulacja nie wypada z toru, gdy użytkownik zmienia scenerię. TechCrunch opisuje go jako reżysera: Gemini planuje i sprawdza, Genie tworzy wizualia.
W eksperymencie badawczym powiązanym z Gemini Robotics model Gemini 4 Argon rozbił zadania na kroki, które Genie 4 symulowało w czasie realnym. Dla DeepMind to argument, że scenariusze robotów można testować w symulacji, zanim trafią do świata. Światy Genie 4 zachowują spójność tylko przez około dwie minuty. Potem model zapomina, od czego zaczynał.
Dla twórców gier, symulacji i wideo
Za zastosowania komercyjne DeepMind wskazuje gry, interaktywne nauczanie i robotykę. Testerzy, którzy jako pierwsi dostali dostęp do modelu, widzą jeszcze jeden kierunek: prototypowanie filmów. Inżynier Google DeepMind Diego Rivas przekonuje, że tryb czasu rzeczywistego jest najbardziej wartościowy tam, gdzie liczy się szybkie ideowanie, na przykład w fazie storyboardów.
Google ma w ofercie także Veo, model do generowania klipów wideo ze zsynchronizowanym dźwiękiem, popularny wśród filmowców. Rivas zaznacza, że Genie 4 to na razie wczesny etap i nie wiadomo jeszcze, jak będzie wyglądać pełne doświadczenie produktowe.
Sam DeepMind przyznaje ograniczenia. Im dłużej trwa symulacja, tym bardziej szczegóły i trwałość obiektów mogą się zmieniać. Nie rozwiązano też kwestii dokładności audio ani czytelności tekstu pojawiającego się w generowanym świecie.
Dostęp będzie stopniowy. Model trafi do subskrybentów Google AI Ultra w ramach Project Genie oraz do partnerów Gemini API i Google AI Studio. Cen jeszcze nie podano. Wersja konsumencka ma być wprowadzana etapami w najdroższych planach AI Ultra, od 100 dolarów miesięcznie.
Kogo dotyczy Genie 4
Genie 4 trafi najpierw do zaufanych testerów, a w kolejnych tygodniach do subskrybentów Google AI Ultra w Project Genie oraz partnerów Gemini API i Google AI Studio. Ceny nie są jeszcze znane; plany AI Ultra zaczynają się od 100 dolarów miesięcznie.
Źródła
- TechCrunch: Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering
- Ars Technica: DeepMind unveils Genie 4 world model promising more realistic physics and humans
- The Verge - Tech: Google’s next Genie AI model generates more realistic experiences
Artykuł przygotowany z pomocą sztucznej inteligencji na podstawie: TechCrunch, Ars Technica, The Verge - Tech. Fakty sprawdzone automatycznie względem tych źródeł. Za publikację odpowiada redakcja Wiadomości PRO.




Komentarze (0)
Ładowanie komentarzy...