Genie 4 bekommt Ton und Gemini als Regisseur. Leistungszahlen hat Google diesmal weggelassen

Google DeepMind hat Genie 4 vorgestellt, ein Weltmodell, das man betreten, per Tastatur erkunden und mit Textprompts umlenken kann. Neu sind nativer Ton samt Dialogen und ein Gemini-Modell, das die Simulation laufend überwacht. Es fehlen die harten Zahlen, die Google beim Vorgänger noch geliefert hat.

Genie 4 erzeugt Welten mit Ton und lässt Gemini aufpassen

Google DeepMind hat Genie 4 am 27. Oktober 2026 angekündigt. Nutzer bewegen sich mit der Tastatur durch eine generierte Umgebung, steuern die Kamera und verändern die Szene per Prompt im laufenden Betrieb: Regen, eine neue Figur oder ein Gegenstand. Laut DeepMind ist das Modell nativ multimodal, Musik, Umgebungsgeräusche und Dialoge von Figuren, die auf den Spieler reagieren, entstehen also zusammen mit der Welt. Das Unternehmen nennt es sein erstes Echtzeit-Weltmodell, das Audio nativ erzeugt.

Spannend ist, was um das Modell herum passiert. Gemini Omni hält Aussehen und Verhalten der Welt nah an der Realität. Gemini 3.8 Flash läuft als steuernder Agent in der Schleife: Es beobachtet die Szene, zerlegt ein Ziel in Schritte und prüft an neuen Frames, ob jeder Schritt tatsächlich gelungen ist. In einer Robotik-Demo plant Gemini 4 Argon eine Aufgabe für den humanoiden Roboter Apollo von Apptronik, der Dame spielt, und Genie 4 rendert die einzelnen Schritte.

Vorerst haben nur vertrauenswürdige Tester im Rahmen einer Research Preview Zugang. Als Nächstes sollen Abonnenten von Google AI Ultra in Project Genie sowie Early-Access-Partner in der Gemini API und in Google AI Studio folgen. Alle anderen können sich auf eine Warteliste setzen. Sämtliche Videos und Tonspuren aus Genie 4 sollen ein SynthID-Wasserzeichen tragen.

Google verkauft Spielerei, zielt aber auf Robotertraining und Film-Previs

Der Vergleichspunkt ist der August 2025. Für Genie 3 nannte DeepMind konkrete Werte: 720p, 24 Bilder pro Sekunde und Konsistenz über einige Minuten. Project Genie, die öffentliche Oberfläche auf Basis von Genie 3, startete im Januar 2026 nur für AI-Ultra-Abonnenten in den USA ab 18 Jahren. Genie 4 verschiebt den Schwerpunkt vom Betrachten einer Welt zum Simulieren von Ereignissen: Man stößt etwas an, und das Modell entscheidet, wie die Welt reagiert und wie sie klingt.

Wer die eigentlichen Kunden sind, verrät der Abschnitt über die Tester. Filmemacher drehen in der Simulation mehrere Takes mit anderer Kamera, anderem Licht und anderem Dialog. Spieleentwickler haben einen Prototyp, bevor sie eine Zeile Engine-Code schreiben. Fotojournalisten testen, wie aus einem Archivfoto ein begehbarer Raum wird. Unternehmen wollen schnell Szenarien für Simulationen erzeugen.

Die größte Tragweite hat die Robotik. Statt handgebauter Umgebungen kann das Modell beliebig viele Varianten einer Küche oder eines Lagers erzeugen, in denen ein Roboter lernt. Zum Schluss beschreibt DeepMind hybride Weltmodelle: Ein Sprachmodell plant und hält die Logik der Ereignisse zusammen, ein Pixelmodell zeichnet die physische Wirklichkeit. Wer Agenten baut, erkennt die vertraute Aufteilung in Planer und Ausführer.

Ohne Zahlen zu Dauer und Physik bleibt der Realismus ein Versprechen

Hier ist die Ankündigung schwach. DeepMind nennt weder Auflösung noch Bildrate, Latenz oder die Zeitspanne, über die eine Welt konsistent bleibt. Das Unternehmen räumt ein, dass Details und Objektpermanenz bei längeren Simulationen abdriften, vor allem nach mehreren komplexen Prompt-Änderungen oder beim Bewegen durch die Szene. Komplexe physikalische Interaktionen, Tontreue, lesbarer Text und räumliche Genauigkeit sind nach eigener Aussage weiter offene Forschungsfragen.

Für das Training von Robotern ist das entscheidend. Ein Roboter, der eine Tasse greifen lernt, während sich die Tasse nach einer Weile in eine andere verwandelt, lernt mit falschen Daten. Die Clips im Blog sind ausgewählte Aufnahmen mit langen, sorgfältig abgestimmten Prompts, keine Zufallsstichprobe. SynthID senkt das Risiko gefälschter Aufnahmen, hilft aber nur denen, die das Wasserzeichen prüfen können und wollen.

Den Ausschlag geben der Preis in der Gemini API und der erste Roboter aus Genie

Das wichtigste Signal kommt mit der Gemini API. Sobald Entwickler Genie 4 bekommen, werden Preis pro Simulationsminute, Latenz und das tatsächliche Konsistenzfenster sichtbar, also genau das, was der Blog weggelassen hat. Das zweite Signal ist die Robotik: Zeigt Apptronik oder ein anderer Partner ein in Genie 4 trainiertes Verhalten, das auf echter Hardware funktioniert, ist das ein stärkeres Argument als jeder Saxofonist auf einem See.

Für Leser in Europa ist die Verfügbarkeit offen. Project Genie startete nur in den USA, und für Genie 4 nennt Google bislang keine Länder.

Liliths Urteil

Google hat dem Saxofonisten auf dem See eine Stimme gegeben und Gemini mit einer Checkliste neben ihn gesetzt. Eine Ingenieurin, die in dieser Welt einem Roboter das Greifen einer Tasse beibringen will, fragt zuerst nach dem Einzigen, was der Blog verschweigt: wie lange die Tasse dieselbe Tasse bleibt.