Genie 4: DeepMinds Weltmodell erzeugt Welten mit Ton und Dialogen

Worum es geht

Google DeepMind hat am 27. Oktober 2026 Genie 4 vorgestellt, sein neues Weltmodell. Ein Weltmodell ist ein KI-System, das eine Umgebung simuliert: Du bewegst dich darin wie in einem Videospiel, doch jedes Bild wird von der KI erzeugt, statt aus vorgebauter Grafik zu stammen. Genie 4 soll deutlich fotorealistischer sein als der Vorgänger und ist „nativ multimodal“. Das heißt, Musik, Umgebungsgeräusche und Dialoge entstehen gleichzeitig mit der Welt.

Das Modell läuft zunächst als Research Preview für ausgewählte „Trusted Tester“. In den kommenden Wochen sollen Abonnenten von Google AI Ultra in „Project Genie“ sowie Early-Access-Partner der Gemini API und von Google AI Studio Zugang bekommen. Für Project Genie gibt es eine Warteliste. Gewichte werden nicht veröffentlicht.

Was Genie 4 kann

DeepMind nennt vier Kernfähigkeiten. Die gezeigten Demos sind Aufnahmen echter Echtzeit-Interaktion, bei der Nutzer mit Tastatur navigieren und die Kamera steuern und per Text die Szene lenken.

• Steuerung in Echtzeit: Per natürlicher Sprache änderst du Wetter, Kameraposition oder fügst Personen und Objekte hinzu. Gemini passt deine Eingabe an die umgebende Szene an. Zwischen deinen Eingaben beobachtet Gemini die Szene und lenkt sie, damit die Welt stimmig weiterläuft.
• Realismus bei Physik und Menschen: Genie 4 simuliert physikalische Situationen wie Aerodynamik und Kollisionen. Den größten Sprung sieht DeepMind bei Personen: Figuren bewegen sich natürlich, reagieren auf ihre Umgebung und lassen sich in Echtzeit lenken.
• Ton: Es ist das erste Echtzeit-Weltmodell von DeepMind mit nativer Audioerzeugung. Jede Welt hat ihren eigenen Klang, etwa Wind in Bäumen oder Wellen am Strand. Dazu kommen Dialoge, die sich spontan anpassen: Figuren sprechen miteinander und reagieren auf deine Eingaben oder Ereignisse.
• Komplexe Ereignisse mit Gemini: Gemini 3.8 Flash arbeitet als lenkender Agent „in der Schleife“. Es beobachtet die Szene, zerlegt Ziele in Teilschritte und prüft eingehende Bilder, ob jeder Schritt gelang. Ändert sich die Lage oder greift der Nutzer ein, passt es den Plan an. Das soll Kausalität, prozedurales Verhalten und mehrstufiges Schlussfolgern zuverlässiger machen.

Außerdem nutzt Genie 4 Fähigkeiten der Gemini-Familie: Gemini Omni verankert die Simulation in realem Aussehen und Verhalten, andere Gemini-Modelle sorgen für Kohärenz und Kontinuität.

Robotik-Experiment

DeepMind testete Genie 4 zusammen mit Gemini 4 Argon und Gemini Robotics. Argon zerlegt eine vorgegebene Aufgabe in Schritte, die als Textuntertitel in die laufende Simulation eingespeist werden. Laut Unite.AI simulierten die Systeme so den Humanoiden Apollo von Apptronik beim Damespielen. Der Gedanke: Roboter-Szenarien in Simulation durchspielen, bevor sie in der Realität passieren. Das ist Forschung, kein Produkt.

Verbesserungen gegenüber Genie 3

Genie 3 wurde am 5. August 2025 vorgestellt, lief mit 24 Bildern pro Sekunde in 720p und blieb einige Minuten konsistent, als begrenzte Vorschau für wenige Forschende und Kreative. Laut TechCrunch hält Genie 4 eine konsistente Szene bis zu zwei Minuten, doppelt so lang wie das Limit des Vorgängers. Das bezieht sich offenbar auf die Szenenkonsistenz bei freien Änderungen; die Quellen nennen dazu keine weiteren Details. Neu sind außerdem Audio, freie Bearbeitung und menschlichere Figuren. Zahlen zu Auflösung oder Bildrate von Genie 4 nennen die Quellen nicht.

Was Tester damit machen

DeepMind arbeitet mit Testern aus Kreativbranche, Journalismus, Bildung, Games und Technik:

• Film: Genie 4 als schneller „Draft Mode“ für Previsualisierung. Man steigt in eine Szene und spielt mehrere „Takes“ durch, mit anderen Kamerawinkeln, Licht, Dialog und Handlung.
• Historische Szenarien: Aus einem einzelnen archivierten 2D-Foto soll in Sekunden eine begehbare Umgebung entstehen; auch Ereignisse wie Sturzfluten oder Waldbrände ließen sich visualisieren.
• Spieleprototypen: Von der Idee zum erkundbaren Prototyp in Sekunden, bevor eine Zeile Engine-Code geschrieben wird.
• Simulation: Unternehmenspartner prüfen schnelle „Zero-to-one“-Szenarien.

Im Briefing sagte DeepMind-Ingenieur Diego Rivas laut TechCrunch, der Echtzeitaspekt sei dort wertvoll, wo ein kreativer Fluss wichtig ist, etwa bei Ideenfindung und Storyboarding. Gemini Omni könnte solche Prototypen später in fertige Assets verwandeln, das sei aber noch weit entfernt. Als spekulatives Lernbeispiel nennt TechCrunch, in ein Gemälde einzutreten und mit den Figuren zu sprechen.

Hybride Weltmodelle

Als Zukunftsrichtung nennt DeepMind hybride Weltmodelle: Sprach- und Code-Modelle liefern strukturierte Logik, Genie liefert die sinnliche Pixel-Simulation. Gemini plant Struktur und Handlungsverlauf, Genie erzeugt Bild, Ton und Reaktion. Tejas Kulkarni sagte laut TechCrunch, man werde künftig zunehmend solche Hybride sehen, bei denen Gemini Code und Text schreibt und Genie das in Echtzeit auf verschiedenen Abstraktionsebenen simuliert.

Sicherheit und Grenzen

DeepMind nennt strikte Schutzmechanismen und interne Sicherheitsprüfungen gegen schädliche Inhalte; der Start bei Testern ist bewusst. Alle Videos und Töne enthalten SynthID, ein unsichtbares digitales Wasserzeichen zur Erkennung KI-generierter Inhalte.

Die Grenzen räumt Google offen ein: Details und Objektpermanenz (dass Dinge an ihrem Ort bleiben) können driften, besonders bei längerer Laufzeit, vielen komplexen Änderungen oder beim Bewegen durch die Szene. Komplexe Physik, Audiogenauigkeit, lesbarer Text, räumliche Genauigkeit und Langzeitkonsistenz sind offene Forschungsfragen. Rivas betonte, es sei unklar, wie die Produkterfahrung am Ende aussieht.

Einordnung

Genie 4 zeigt, wohin Weltmodelle gehen: weg vom stummen Video, hin zu interaktiven Szenen mit Ton, Sprache und Planung. TechCrunch ordnet es in ein hartes Umfeld ein: Runway brachte vor einigen Monaten GWM Worlds 2 mit Audio heraus, und der Markt konsolidiert – World Labs soll von AMD gekauft werden, Amazon verhandelt mit Decart, Rivian übernahm Third Dimension. Für Roboter-Training und Spiele-Prototyping ist die Idee attraktiv, doch alle Aussagen stammen von Google selbst; unabhängige Benchmarks gibt es nicht. Wegen der Zwei-Minuten-Grenze, des Driftens und des Zugangs über das teure Ultra-Abo ist es für die meisten Nutzer vorerst eher ein Ausblick als ein Werkzeug.