Google DeepMind merilis Genie 4, model dunia interaktif real-time. Saat simulasi berjalan, pengguna dapat mengubah cuaca, menggeser kamera, serta menambahkan orang dan benda ke dalam adegan lewat bahasa alami, dan gambar langsung berlanjut tanpa perlu dibuat ulang. DeepMind menyebutnya model dunia real-time pertama yang menghasilkan audio secara native: suara lingkungan, musik latar, dan dialog karakter dihasilkan selaras dengan gambar, dan karakter dapat menanggapi masukan pengguna atau kejadian di dalam adegan secara real-time.
"Genie 4 is our first real-time world model to generate audio natively." (Genie 4 adalah model dunia real-time pertama kami yang menghasilkan audio secara native.)
Apa yang bisa dilakukan dan siapa yang bisa memakai
Menurut penjelasan resmi, peningkatan Genie 4 terpusat pada tiga hal. Pertama, fisika, dengan dukungan untuk skenario seperti aerodinamika dan tumbukan. Kedua, karakter, yang gerakannya lebih natural, bereaksi terhadap lingkungan, dan bisa dikendalikan pengguna secara real-time. Ketiga, peristiwa multilangkah: Gemini 3.8 Flash berperan sebagai agen pemandu yang memecah tujuan pengguna menjadi langkah-langkah, memeriksa frame demi frame apakah tiap langkah sudah selesai, lalu menyesuaikan rencana ketika pengguna ikut campur di tengah jalan atau adegan berubah. DeepMind juga menyebut sedang menguji penggabungan Gemini 4 Argon dengan Genie 4 untuk simulasi terkait robotika.
Pembukaannya bertahap dalam tiga langkah. Saat ini berupa pratinjau riset untuk penguji tepercaya. Berikutnya untuk pelanggan Google AI Ultra (pintu masuknya bernama Project Genie) serta mitra awal Gemini API dan Google AI Studio; di halaman tersedia formulir daftar tunggu. Video dan audio yang dihasilkan sama-sama diberi watermark SynthID.
Kekurangan yang dicantumkan sendiri oleh pihak resmi
Pengumuman kali ini tidak memuat metrik kuantitatif apa pun. Resolusi, frame rate, durasi sesi yang bisa dimainkan, dan latensi kontrol semuanya tidak ditulis, dan tidak ada perbandingan angka dengan generasi sebelumnya, hanya deskripsi kualitatif seperti peningkatan realisme.
Namun DeepMind menulis batasannya dengan jelas. Setelah sesi menjadi panjang, prompt yang rumit direvisi beberapa kali, atau pengguna berjalan jauh di dalam adegan, detail visual dan keajekan objek "still shift or drift over time" (masih bergeser atau melayang seiring waktu). Interaksi fisika yang kompleks, akurasi audio real-time, rendering teks yang terbaca, presisi spasial, dan konsistensi jangka panjang semuanya dicantumkan sebagai masalah yang masih diteliti.
Bagaimana pembaca di Tiongkok menilainya
Jalur pembukaan pertama Genie 4 adalah langganan AI Ultra dan kemitraan awal Gemini API, dan keduanya tidak bisa dipakai di Tiongkok daratan, sehingga pengembang di sana untuk sementara hanya bisa menonton video demo.
Di Tiongkok sendiri jalurnya tidak kosong. Matrix-Game 4.0 yang di-open-source Kunlun Tech pada pertengahan Oktober mengusung 60 frame per detik pada satu kartu RTX 5090, dan bobotnya bisa diunduh untuk dijalankan secara lokal. Ada pula tim yang menjalankan model dunia sekitar 50 frame per detik pada NPU buatan dalam negeri. Proyek-proyek ini membuka metrik yang bisa dibandingkan seperti frame rate, sedangkan Genie 4 kali ini justru tidak.
Kesenjangan lebih mungkin muncul di dua tempat. Pertama, audio native dan dialog karakter: sebagian besar solusi open-source di Tiongkok saat ini hanya menghasilkan gambar. Kedua, penggunaan Gemini sebagai agen perencana yang memeriksa tugas multilangkah frame demi frame, yang membutuhkan model multimodal cukup kuat untuk mengawasi di sampingnya dan sulit dikejar oleh tim yang hanya mengerjakan pembuatan video. Baru setelah Genie 4 masuk tahap API dan menyajikan angka latensi serta durasi, kedua pihak punya tabel yang bisa dibaca berdampingan.
Sumber: blog resmi Google DeepMind, CocoLoop; cakupan pembukaan, model yang dipakai agen pemandu, dan batasan yang diketahui mengacu pada keterangan resmi DeepMind, sedangkan frame rate model dunia di Tiongkok merujuk pada data publik masing-masing proyek.