Google DeepMind a présenté Genie 4, un modèle de monde interactif en temps réel. Pendant que la simulation tourne, l'utilisateur peut, en langage naturel, changer la météo, déplacer la caméra, ajouter des personnes et des objets à la scène ; l'image continue d'évoluer sans qu'il faille tout régénérer. DeepMind affirme qu'il s'agit du premier modèle de monde en temps réel à générer l'audio de manière native : sons d'ambiance, musique et dialogues des personnages sont produits en synchronisation avec l'image, et les personnages peuvent en outre répondre en temps réel aux actions de l'utilisateur ou à ce qui se passe dans la scène.
« Genie 4 is our first real-time world model to generate audio natively. »
(Genie 4 est notre premier modèle de monde en temps réel à générer l'audio de façon native.)
Ce qu'il sait faire et qui peut l'utiliser
D'après la présentation officielle, les améliorations de Genie 4 se concentrent sur trois points. D'abord la physique, avec la prise en charge de scènes d'aérodynamique et de collisions. Ensuite les personnages : des mouvements plus naturels, une réaction à l'environnement et la possibilité pour l'utilisateur de les contrôler en temps réel. Enfin les événements en plusieurs étapes, où Gemini 3.8 Flash joue le rôle d'agent guide : il découpe l'objectif de l'utilisateur en étapes, vérifie image par image si chaque étape est accomplie, puis ajuste le plan quand l'utilisateur intervient en cours de route ou que la scène change. DeepMind mentionne aussi qu'elle teste l'association de Gemini 4 Argon et de Genie 4 pour des simulations liées à la robotique.
L'ouverture se fait en trois temps : pour l'instant, un aperçu de recherche réservé à des testeurs de confiance ; ensuite, les abonnés à Google AI Ultra (le point d'entrée s'appelle Project Genie) ainsi que des partenaires précoces de la Gemini API et de Google AI Studio, avec un formulaire de liste d'attente sur la page. Les vidéos et les audios générés portent un filigrane SynthID.
Les limites que l'entreprise énumère elle-même
L'annonce ne contient aucun indicateur chiffré : ni résolution, ni fréquence d'images, ni durée jouable par session, ni latence de commande, et aucune comparaison chiffrée avec la génération précédente, seulement des descriptions qualitatives comme « réalisme accru ».
DeepMind expose en revanche très clairement les limites : lorsque la session s'allonge, que des prompts complexes sont retouchés sur plusieurs tours ou qu'on s'éloigne dans la scène, les détails visuels et la permanence des objets « still shift or drift over time » (continuent de se décaler ou de dériver avec le temps). Les interactions physiques complexes, la précision de l'audio en temps réel, le rendu de texte lisible, la précision spatiale et la cohérence à long terme figurent parmi les problèmes encore à l'étude.
Le regard des lecteurs chinois
Les premiers canaux d'accès à Genie 4 sont l'abonnement AI Ultra et la collaboration précoce via la Gemini API, et aucun des deux n'est utilisable en Chine continentale ; les développeurs du pays ne pourront donc, à court terme, que regarder des vidéos de démonstration.
Côté chinois, le terrain n'est pourtant pas vide. Matrix-Game 4.0, publié en open source par Kunlun Tech à la mi-octobre, vise 60 images par seconde sur une seule RTX 5090, et ses poids sont téléchargeables pour un usage local ; d'autres équipes font tourner des modèles de monde sur des NPU nationaux à environ 50 images par seconde. Elles publient des indicateurs comparables comme la fréquence d'images, précisément ce que Genie 4 ne fournit pas cette fois.
L'écart se situe probablement à deux endroits : d'abord l'audio natif et le dialogue des personnages, car la plupart des solutions open source chinoises ne produisent aujourd'hui que de l'image ; ensuite l'utilisation de Gemini comme agent de planification, validant image par image des tâches en plusieurs étapes, ce qui suppose un modèle multimodal assez puissant à ses côtés et que les équipes uniquement centrées sur la génération vidéo ont du mal à rattraper. Ce n'est que lorsque Genie 4 passera à la phase API et publiera des chiffres de latence et de durée que les deux camps disposeront d'un tableau permettant de les comparer côte à côte.
Sources : blog officiel de Google DeepMind, CocoLoop ; la portée de l'ouverture, le modèle utilisé par l'agent guide et les limites connues s'appuient sur les informations officielles de DeepMind, et les fréquences d'images des modèles de monde chinois sur les données publiques de chaque projet.