Google visar Genie 4 — världsmodell som nu genererar ljud i realtid

Google DeepMind presenterade tisdagen den 27 oktober 2026 nästa generation av sin världsmodell Genie. I Genie 4 är den stora nyheten att systemet nu genererar ljud i realtid — musik, bakgrundsljud och interaktiv dialog som följer den simulerade världen i takt med att du förändrar den. Modellen är tillgänglig som research preview för ett begränsat antal betrodda testare.

Vad är en världsmodell?

En världsmodell är en AI som inte bara producerar en färdig film eller bild, utan genererar en interaktiv, simulerad miljö som användaren kan röra sig i och påverka i realtid. Tänk dig ett datorspel där ingen har programmerat reglerna i förväg — i stället skapar AI:n varje bildruta baserat på vad som hände i föregående bildruta och vad du precis bad den göra. Du skriver en textprompt mitt i simuleringen, och scenen ändras direkt.

Genie-serien är Googles satsning på just det. Tidigare versioner har funnits tillgängliga i liknande begränsade format, med Genie 3 som kom som research preview drygt ett år före den nu aktuella versionen.

Vad är nytt i Genie 4?

Det mest påtagliga tillägget är ljud. Tidigare versioner av Genie genererade visuella världar, men var stumma. Genie 4 producerar nu ett fullt ljudlager som matchar det som händer på skärmen — bakgrundsatmosfär, musik och dialog som anpassas i takt med att scenen förändras. Det är tekniskt sett ett betydande steg, eftersom synkroniserat realtidsljud kräver att modellen håller koll på vad som visas i varje enskild bildruta och genererar ljud som stämmer med det.

Utöver ljud tillkommer fri redigering i realtid. Användaren kan ändra vädret, justera kameravinkeln eller lägga till karaktärer och objekt mitt i en pågående simulering. Det är en tydlig utökning jämfört med Genie 3, där sådana förändringar var mer begränsade.

Scenkonsistensen har förbättrats till upp till två minuter — dubbelt så länge som föregångaren klarade. Det låter kanske blygsamt, men för en modell som genererar en komplex interaktiv miljö bildruta för bildruta är det en märkbar förbättring. Fysiken i de genererade världarna ska också vara mer trovärdig, och karaktärerna mer människolika. Sammantaget är de genererade scenerna mer fotorealistiska än i tidigare versioner.

Gemini som regissör och robotik-experimentet

Genie 4 arbetar inte ensamt. Googles Gemini-modell fungerar som vad DeepMind beskriver som en "regissör": Gemini planerar steg, kontrollerar bildrutor och instruerar Genie om vad som ska genereras härnäst, medan Genie sköter själva bildproduktionen. Det är en arbetsdelning där en modell ansvarar för strategi och en annan för exekvering.

Det är framförallt i ett robotik-experiment som den kombinationen blir intressant. I ett forskningsexperiment kopplat till Gemini Robotics bröt en Gemini-modell — kallad Gemini 4 Argon i de ursprungliga uppgifterna — ner komplexa uppgifter i sekvenser av steg, som Genie 4 sedan simulerade i realtid. Tanken är att låta robotar träna på och testa scenarier i en simulerad miljö innan de utförs i verkligheten. Det är ett klassiskt problem inom robotik — att samla in tillräckligt med träningsdata i verkliga miljöer är dyrt och tidskrävande, och simuleringar som är tillräckligt realistiska kan ersätta en del av det arbetet.

Var kan den användas — och vad är fortfarande oklart?

Google nämner tre primära användningsområden: spel, interaktivt lärande och robotik. Utöver det lyfter betrodda testare fram filmrelaterade användningsfall. Diego Rivas, ingenjör på DeepMind, nämner storyboarding och snabb idégenerering som konkreta exempel — att snabbt kunna visualisera en sekvens utan att anlita ett helt produktionsteam. Det påminner om hur AI-videoverktyg redan används i pre-production-arbete, fast med den skillnaden att Genie-miljöerna är interaktiva snarare än linjära klipp.

Google är ovanligt tydliga med vad som ännu inte fungerar. Detaljer och objekt kan "driva" under längre simuleringar — det innebär att föremål eller karaktärers utseende gradvis blir inkonsekvent, ett vanligt problem för generativa modeller som saknar ett stabilt minneslager. Teamet har enligt egna uppgifter ännu inte löst hur man säkerställer att ljud verkligen är korrekt i alla situationer, och läsbar text inuti de genererade världarna är fortfarande ett olöst problem.

Det är också oklart hur en färdig produkt baserad på Genie 4 faktiskt kommer att se ut. Google beskriver själva att den kommersiella produktupplevelsen fortfarande är under utformning. Det är ovanligt öppet formulerat för ett teknikföretag, och signalerar att det här fortfarande är tidig grundforskning snarare än en färdig tjänst.

Tillgänglighet

Genie 4 är just nu tillgänglig som research preview för ett begränsat antal betrodda testare. Inom de kommande veckorna väntas en bredare utrullning till Google AI Ultra-prenumeranter via Project Genie, samt till early access-partners för Gemini API och Google AI Studio. Någon exakt lanserdatum för allmänheten är inte kommunicerat.

Ett växande fält

Google är inte ensamt om att investera tungt i världsmodeller. Runway släppte GWM Worlds 2, sin andra generation av världsmodellsteknik, ett par månader tidigare. AMD är under förvärv av World Labs, startupbolaget som grundades av tidigare ledande forskare från OpenAI. Amazon uppges vara i förhandlingar om att förvärva Decart, ett annat bolag som arbetar med liknande teknik. Elbilstillverkaren Rivian har förvärvat Third Dimension, som kombinerar världsmodeller med autonoma fordon.

Det är en ovanligt bred investeringsvåg som spänner över spel, robotik, film, autonoma fordon och grundforskning. Världsmodeller är inte längre ett nischat akademiskt ämne — de är ett område där flera av teknikindustrins tyngsta aktörer satsar kapital och förvärvar kompetens parallellt.

Genie 4 är i det sammanhanget Googles tydligaste svar på var man befinner sig i det loppet. Realtidsljudet är det konkreta steget framåt den här gången. Hur snabbt tekniken tar sig från research preview till ett faktiskt användbart verktyg — och för vem — är fortfarande en öppen fråga.