เสียงมาพร้อมภาพ ตัวละครคุยกันได้เอง

Genie 3 ที่เปิดตัวเมื่อ ส.ค. 2025 สร้างได้แค่ภาพ ส่วน Genie 4 เจนเสียงให้เข้ากับฉากโดยอัตโนมัติ เช่น เสียงลมหรือเสียงคลื่น และตัวละครสามารถพูดคุยกันเองหรือตอบโต้สิ่งที่ผู้ใช้ป้อนเข้าไปได้แบบเรียลไทม์ DeepMind ระบุว่าการพัฒนาที่ใหญ่ที่สุดอยู่ที่ "คน" ตัวละครเคลื่อนไหวเป็นธรรมชาติขึ้น การขยับร่างกายและสีหน้าลื่นไหลกว่ารุ่นก่อนที่ดูแข็งเหมือนหุ่น และยังสั่งบังคับตัวละครระหว่างฉากกำลังเล่นได้

เบื้องหลังมี Gemini ช่วยคุมความต่อเนื่อง โดย Gemini Omni ทำหน้าที่ยึดหน้าตาและพฤติกรรมของสิ่งต่างๆ ในฉาก และแปลงคำสั่งของผู้ใช้ให้เข้ากับโลกที่กำลังจำลองอยู่ โมเดลยังจำลองฟิสิกส์บางส่วนอย่างแรงลมและการชนได้ด้วย ด้าน BigGo รายงานว่าการจำลองต่อเนื่องได้นานราว 2 นาที หรือประมาณ 2 เท่าของ Genie 3 แต่บล็อกทางการของ DeepMind ไม่ได้ประกาศตัวเลขความยาว ความละเอียด หรือเฟรมเรต

ใครได้ใช้ก่อน และข้อจำกัดที่ยอมรับเอง

ตอนนี้ Genie 4 เปิดให้เฉพาะกลุ่มผู้ทดสอบที่ได้รับเชิญ ขั้นต่อไป DeepMind จะปล่อยให้สมาชิก Google AI Ultra ผ่าน Project Genie และพาร์ตเนอร์ early access ของ Gemini API กับ Google AI Studio โดยยังไม่บอกวันที่แน่ชัด ใครสนใจลงชื่อ waitlist ผ่าน Project Genie ได้ ทุกวิดีโอและเสียงที่ Genie 4 สร้างจะฝังลายน้ำล่องหน SynthID เพื่อระบุว่าเป็นคอนเทนต์ AI

DeepMind ยอมรับว่าโมเดลยังอยู่ในช่วงต้น ฉากจะคงที่ได้ดีในช่วงสั้นๆ แต่รายละเอียดภาพและความคงอยู่ของวัตถุอาจเพี้ยนเมื่อเล่นนาน สั่งแก้หลายรอบ หรือเคลื่อนที่ไปทั่วฉาก ส่วนปฏิสัมพันธ์ทางกายภาพที่ซับซ้อน ความแม่นของเสียงแบบเรียลไทม์ ตัวหนังสือในฉากที่อ่านได้ และความต่อเนื่องระยะยาว ยังเป็นโจทย์วิจัยที่ต้องแก้ต่อ

มุมมองของเรา

Genie 4 ยังไม่ใช่เครื่องมือที่หยิบมาทำโฆษณาส่งลูกค้าได้ทันที แต่ทิศทางชัดมากว่าโมเดลวิดีโอกำลังขยับจาก "เจนคลิปทีละช็อต" ไปสู่ "จำลองทั้งโลก" ที่ภาพ เสียง และนักแสดงมาพร้อมกัน และกำกับต่อได้ระหว่างถ่าย สำหรับงานพรีวิส ทดลองบล็อกกิ้งฉาก หรือหามุมกล้องก่อนลงมือผลิตจริง นี่คือของที่จะช่วยลดเวลาและงบได้มาก All-In AI Labs ติดตามเทคโนโลยีกลุ่มนี้อย่างใกล้ชิดเพื่อนำมาใช้ในขั้นวางแผนงาน ขณะที่ช่วงนี้ยังคุมคุณภาพงานจริงด้วยขั้นตอนสตอรี่บอร์ด ตรวจคีย์เฟรม และทำเสียงแยกทุกช็อต เพื่อส่ง AI Video คุณภาพสูงในงบที่ถูกกว่า production ปกติ