Google DeepMind Genie 4: Ses üreten etkileşimli dünya modeli

Google DeepMind 27 Ekim'de Genie 4'ü tanıttı. Genie serisi, bir metin ya da görselden yola çıkarak içinde gezinilebilen, gerçek zamanlı tepki veren üç boyutlu dünyalar üretiyor. Yeni sürümün en büyük yeniliği yerleşik ses: her dünya ortam sesleri, müzik ve etkileşimli diyalogla birlikte anlık olarak üretiliyor. DeepMind bunu, sesi yerleşik olarak üreten ilk gerçek zamanlı dünya modeli olarak tanımlıyor. Model, Project Genie'de Google AI Ultra abonelerine ve Gemini API ile Google AI Studio'nun erken erişim ortaklarına araştırma önizlemesi olarak açılıyor.

Kullanıcılar dünya çalışırken havayı değiştirebiliyor, kamerayı hareket ettirebiliyor ya da sahneye kişi ve nesne ekleyebiliyor; bunları doğal dille söylemek yetiyor. TechCrunch'a göre Genie 4 bir sahneyi iki dakikaya kadar tutarlı tutabiliyor; bu, önceki sürümün sınırının iki katı. İkincil haberlere göre Gemini 3.8 Flash döngü içinde bir rehber ajan olarak çalışıyor: sahneyi sürekli izliyor, hedefleri adımlara bölüyor ve kareleri kontrol ediyor. DeepMind'ın kendi metni ise Gemini modellerinin akıl yürütme sağladığını ve Gemini Omni'nin görünüm ile davranışı sabitlediğini söylüyor. Bir kaynağa göre Genie 4'ün ürettiği her video ve ses, Google'ın görünmez filigranı SynthID ile işaretlenecek.

Genie serisinin önceki sürümleri sessizdi; kullanıcıların sahneye ayrıca ses eklemesi gerekiyordu. Görüntü ile sesin aynı modelde birlikte üretilmesi, ayak sesinin adımla, kapı gıcırtısının kapının açılmasıyla eşleşmesi anlamına geliyor. Bu da etkileşimli deneyimin gerçeklik hissini belirgin biçimde artırıyor.

TechCrunch, simülasyon uzadıkça ayrıntıların ve nesnelerin kaymaya başladığını, sesin her zaman doğru olmasını ve dünya içindeki yazıların okunaklı kalmasını sağlamanın henüz çözülmediğini yazıyor. Yani Genie 4 bir oyun motorunun yerini almaya hazır değil; ama fikir aşamasındaki bir dünyayı dakikalar içinde denenebilir hale getiriyor.

Dünya modeli, bir ortamın nasıl göründüğünü ve bir eylemden sonra nasıl değişeceğini tahmin eden yapay zekâ modelidir. Video üretiminden farkı, kullanıcının girdisine anlık tepki vermesi. Bu modeller oyun ve film dışında robot eğitimi için de önemli: robotlar gerçek dünyaya çıkmadan önce bu simülasyonlarda pratik yapabiliyor. Araştırma önizlemesi, ürünün sınırlı bir grupla denendiği, kararlılığın ve fiyatın henüz kesinleşmediği aşamadır.

Aynı hafta Higgsfield, bir istemden oynanabilir mobil oyun ve oynanabilir reklam üreten Playable aracını tanıttı; xAI de Grok ile ürettiği bir filmin ilk yedi dakikasını yayımladı. Ses, görüntü ve etkileşim tek modelde birleşirken, reklam ve eğitim içeriğinde "izlenen" yerine "oynanan" formatlar öne çıkacak gibi görünüyor. Genie 4'ün daha geniş kullanıcıya ne zaman açılacağı ve API fiyatı henüz belli değil.

Google, dünya modellerini robot eğitiminde de kullanıyor. Genie 4'ün sesli ve daha uzun süre tutarlı sahneleri, robotların simülasyonda daha gerçekçi koşullarla karşılaşmasını sağlayabilir.

Etkileşimli içerik üretmek, yakında bir oyun stüdyosu bütçesi gerektirmeyebilir.

• Prototipi hızlandır. Mağaza, ürün ya da eğitim senaryosu için gezinilebilir bir taslak dünya fikrini erken aşamada denemek için bu araçları izle.
• Oynanabilir reklamı düşün. Video reklam yerine kullanıcının dokunup denediği kısa deneyimler, dikkat süresinin kısaldığı akışlarda öne çıkabilir.
• Filigrana ve haklara dikkat. Üretilen içeriğin nasıl işaretlendiğini ve ticari kullanım koşullarını yayına almadan önce kontrol et.