Genie 4: Google lässt dich KI-Welten mit Ton in Echtzeit steuern

Worum es geht

Google DeepMind hat mit Genie 4 die nächste Generation seines Weltmodells vorgestellt. Ein Weltmodell (World Model) ist eine KI, die nicht nur ein fertiges Video erzeugt, sondern eine Umgebung simuliert, in der man sich bewegen und eingreifen kann – ähnlich wie in einem Computerspiel, nur dass alles live vom Modell erzeugt wird. Laut dem Bericht von 36Kr, der sich auf eine Veröffentlichung auf WeChat stützt, kam die Ankündigung in der Nacht vor dem 29. Oktober 2026. Genie 4 ist bisher nur für eine kleine Nutzergruppe zum Testen offen. Außer den offiziellen Demos stammen fast alle Praxisberichte von X.

Google-Chef Sundar Pichai teilte die Nachricht und nannte Genie 4 laut Bericht „das bislang realistischste und interaktivste Weltmodell“. Manche Nutzer riefen sogar „Spiel-Engines sind tot, es leben die Weltmodelle“ – eine Übertreibung, wie die Einschränkungen unten zeigen.

Was neu ist gegenüber Genie 3

Die zusammenhängende Dauer einer einzelnen Welt wuchs von 1 auf 2 Minuten. Als wichtiger gilt jedoch der Ton: Genie 4 ist Googles erstes Echtzeit-Weltmodell mit nativer, synchroner Audio- und Videoerzeugung. Windrauschen, Explosionen und auch menschliche Stimmen werden vom Modell passend zum Bild in Echtzeit berechnet.

Die zweite große Neuerung ist die Veränderbarkeit. Schon Genie 3 kannte „promptable world events“, also Ereignisse, die per Text eingefügt werden, etwa ein Reiter oder ein Heißluftballon auf einer Prärie. Das wirkte laut Bericht eher schlicht. Genie 4 reagiert deutlich besser: Man kann Wetter ändern, die Kamera bewegen, und neue Elemente fügen sich in die Szene ein. In einer Demo mit einem Motorrad fahrenden Paar tippte der Tester nacheinander „Explosion im Hintergrund“ und „riesige Alien-Tentakel, die die Welt zerstören können“ – kurz darauf explodierte es, und Tentakel richteten Chaos an. Ein weiteres Demo zeigt einen Ritt auf einem schwarzen Drachen mit 140 km/h; per Eingabe feuert ein Schloss Feuerbälle und Pfeile. Das zweiminütige Material ohne Schnitt wird live erzeugt, während ein Mensch steuert.

Hybrid World Models: Gemini als Aufpasser

Für komplexere Änderungen reicht Genie 4 allein nicht. DeepMind nennt das Gesamtsystem „Hybrid World Models“. Genie 4 erzeugt Bild und Ton in Echtzeit, während Gemini im Hintergrund dafür sorgt, dass die Welt nach logischen Regeln weiterläuft. Gemini Omni soll die Welt näher an der Realität halten – Aussehen der Szene, Bewegung von Figuren und Objekten. Gemini 3.8 Flash übernimmt anspruchsvollere Aufgaben: Es beobachtet das von Genie 4 erzeugte Live-Bild, zerlegt eine Aufgabe in Schritte, prüft, ob das Ergebnis den Erwartungen entspricht, und korrigiert bei Änderungen unterwegs.

Physik und Grenzen

Bei Physik wie Aerodynamik und Kollisionen soll Genie 4 deutlich realistischer simulieren. Als Beleg zeigte Google einen Zeitlupentest: Eine Marmorbüste fällt auf eine Wassermelone, die zerplatzt, Fruchtfleisch und Saft spritzen. Kritiker bemerkten jedoch, dass die Büste nach physikalischen Gesetzen umkippen müsste, was nicht geschieht. In einer Demo an einem ländlichen japanischen Bahnhof spricht der Schaffner Englisch. Die erzeugte Sprache klingt laut Autor noch unnatürlich, die Mimik wirkt nicht flüssig.

Google selbst räumt ein, dass es sich um ein sehr frühes Produkt handelt. Läuft das Modell zu lange oder wechselt man häufig Perspektive und Befehle, können Objekte und Details in der Szene „driften“, sich also ungewollt verändern.

Anwendungen: Spiele, Film, Robotik

Im Spielebereich erzeugten Nutzer mit Testzugang eine offene Welt im Stil von GTA und nannten sie „GTA Waymo“. In Film und Serie könnte man Kamerawinkel und Figurenbewegung vorab in der virtuellen Welt festlegen.

Besonders interessant ist laut Autor die Robotik. Roboter tun sich mit Aufgaben wie Wäschefalten schwer, auch weil hochwertige Trainingsdaten teuer sind: Menschen müssen Abläufe immer wieder vormachen, inklusive Bewegung und Kraft. Genie 4 könnte Szenarien erst virtuell simulieren. Google testete das mit dem Robotikunternehmen Apptronik: „Gemini 4 Argon“ (so nennt es die Quelle) arbeitete mit Genie 4 zusammen, um einen Roboter beim Damespiel zu simulieren. Auf die allgemeine Anweisung „Spiel mit dem Jungen gegenüber Dame, bewege einen roten Stein“ zerlegte Argon die Aufgabe in 22 Schritte, die Genie 4 darstellte: Kopf senken, Hand ausstrecken, Stein greifen, Arm heben, bewegen, ablegen.

Marktumfeld

Der Bericht verweist auf viel Bewegung bei Weltmodellen: Runway brachte GWM Worlds 2 mit Mehrspieler-Interaktion, AMD habe World Labs von Fei-Fei Li für 8,2 Milliarden Dollar übernommen, und Amazon soll laut Berichten 7 Milliarden Dollar für das Startup Decart planen. Diese Angaben stammen aus der Quelle und wurden hier nicht unabhängig geprüft.

Einordnung

Genie 4 zeigt, wie schnell interaktive Videogenerierung vorankommt: Ton, Live-Eingriffe und eine Kopplung mit Sprachmodellen als Planer. Zwei Minuten Konsistenz sind aber weit von einem echten Spiel entfernt, und Physik- sowie Sprachfehler sind sichtbar. Selbst ausprobieren kann man es bisher nicht; Preise, Zugang und technische Daten nennt die Quelle nicht. Die Robotik-Idee ist vielversprechend, aber nur als Simulation gezeigt, nicht an echten Robotern belegt. Die Quelle ist zudem ein begeistert gefärbter Medienbericht; unabhängige Tests stehen aus.