Что показали
27 октября Google DeepMind объявила Genie 4, новую мировую модель. Компания описывает её как интерактивную симуляцию, которая держит реализм и отвечает в реальном времени.
Ключевое отличие от прошлых версий в звуке. По заявлению DeepMind, это первая их модель реального времени, которая генерирует аудио нативно: ветер в деревьях, волны, шаги и речь персонажей появляются вместе с картинкой.
Доступ пока ограничен. Модель вышла как исследовательский превью для доверенных тестировщиков, дальше её обещают подписчикам Google AI Ultra в Project Genie и партнёрам раннего доступа в Gemini API и Google AI Studio.
Почему звук важнее картинки
В обычном производстве звук живёт отдельной жизнью. Сначала снимают или генерируют изображение, потом пишут голос, потом ищут шумы и музыку.
Каждый этап стоит денег и времени, и каждый ломает предыдущий. Переозвучили фразу, и губы в кадре поехали. Поменяли сцену, и шумовой фон перестал совпадать.
Мир, который звучит сам, снимает часть этой работы. Если симуляция выдаёт звук вместе с движением, синхронизация появляется на этапе генерации.
Как это устроено
Genie 4 опирается на модели Gemini. По описанию DeepMind, Gemini Omni отвечает за то, чтобы симуляция выглядела и вела себя как настоящий мир, а другие модели Gemini держат связность сцены и логику событий.
Пользователь задаёт событие, а модель доигрывает последствия: как отвечает среда, как это звучит, как двигаются и говорят люди.
Управление идёт с клавиатуры и камеры плюс текстовыми подсказками. Можно менять погоду, двигать камеру, вводить нового человека или предмет, и модель подстраивает подсказку под окружающую сцену.
Живая речь в кадре
Самое интересное в анонсе это диалог. Персонажи разговаривают и реагируют на ваши действия или события в мире, и всё это в реальном времени.
Такой звук ещё не дубляж и не озвучка по сценарию. Это реакция на событие, которую нельзя переписать построчно, зато можно поставить в кадр и посмотреть, как сцена держится.
Для рекламных тестов это удобно. Черновая сцена с репликой проверяется за минуты, и видно, где ритм провисает.
Есть и неудобная сторона. Реплика, которую генерирует персонаж, не следует сценарию слово в слово, и для юридически точного текста такой звук пока не годится. Его место в черновике и в атмосфере.
Что с этим делать бизнесу
Первое применение простое: раскадровка со звуком. Режиссёрская версия, в которой слышно, как сцена звучит, до того как оплачена съёмка.
Второе: фоны и второстепенные планы. Видео нейросетями уже закрывает такие кадры дешевле съёмки, а со звуком закрывает ещё и атмосферу сцены.
Третье: обучение и демонстрации. Интерактивный мир, в котором можно ходить и слушать, объясняет сложное быстрее линейного ролика.
Ручные ролики при этом остаются для того, что нельзя сгенерировать: человек в кадре, продукт в руках, интонация, за которую отвечает актёр.
Если проект серийный, ведение YouTube-канала строится вокруг плана выпусков, и интерактивные миры здесь полезны как источник фонов и заставок.
Ограничения, о которых сказали сами
DeepMind перечислила слабые места честно. Детали и постоянство объектов могут смещаться при долгой сессии, после нескольких сложных правок подсказки и при движении по сцене.
Отдельно названы сложные физические взаимодействия, точность звука в реальном времени, читаемый текст в кадре, пространственная точность и связность на длинной дистанции.
Читаемый текст это важная деталь для рекламы. Пока модель не гарантирует надписи, логотип и цена в кадре остаются работой монтажа.
Метки и безопасность
Всё видео и аудио из Genie 4 получает SynthID, невидимую цифровую метку Google. Она нужна, чтобы отличать сгенерированное от снятого.
Компания также говорит о строгих ограничителях и внутренних проверках безопасности перед превью. Публичного доступа пока нет, и это стоит учитывать в планах.
Для рынка это значит ещё одну вещь. Сгенерированный мир сложнее продать как съёмку, потому что метка остаётся в файле.
Для агентств метка означает простую вещь: клиенту можно показать, что ролик помечен, и это снимает часть вопросов о происхождении материала.
Вывод
Genie 4 показывает сдвиг, который я ждал: звук перестаёт быть отдельной статьёй и становится частью генерации. Для заказчика это экономия на синхронизации и на черновых версиях.
Практический вывод простой. Пробуйте модель там, где звук важен для понимания сцены: реклама, объяснение, демонстрация. И держите рядом ручную сборку для текста, логотипа и актёрской подачи.
Когда доступ откроется, проверять стоит на одной сцене. Возьмите фрагмент, где есть движение и реплика, и посмотрите, держится ли звук при смене ракурса. Если да, модель готова к вашему пайплайну.
Следить за доступом стоит через Project Genie и Gemini API. Пока это превью, но направление понятное.
