Genie 4 dari DeepMind bikin dunia interaktif, kini lengkap dengan suara

Google DeepMind merilis Genie 4, world model terbarunya yang membangun lingkungan interaktif dan bisa dimainkan secara real-time. Perubahan paling menonjol ada di audio. DeepMind menyebut Genie 4 sebagai world model real-time pertama yang menghasilkan suara secara native, termasuk musik, suara ambient, dan dialog karakter yang interaktif, bukan ditambahkan sebagai lapisan terpisah. Pengguna bisa mengarahkan simulasi yang sedang berjalan lewat bahasa biasa, mengubah cuaca, menggeser kamera, atau menambahkan orang dan objek baru, dan sistem berusaha menjaga dunia tetap konsisten di antara perubahan itu.

Yang mengikat semuanya adalah Gemini yang berperan sebagai agen pengarah. Model Gemini 3.8 Flash mengamati adegan, memecah tujuan menjadi langkah-langkah, memeriksa apakah tiap langkah berhasil, lalu menyusun ulang rencananya saat dunia berubah atau pengguna ikut campur. DeepMind juga mengujinya untuk robotika: salah satu demo memadukan Genie 4 dengan Gemini Robotics untuk mensimulasikan robot humanoid Apollo buatan Apptronik yang bermain catur. Lapisan simulasinya, Gemini Omni, menautkan tampilan dan perilaku ke dunia nyata.

DeepMind terus terang soal keterbatasannya. Detail visual dan permanensi objek masih bergeser pada sesi yang panjang atau setelah banyak pengeditan, dan tim menandai fisika, teks yang terbaca, serta konsistensi jangka panjang sebagai masalah yang belum selesai. Tidak ada benchmark di pengumumannya. Genie 4 hadir sebagai research preview untuk penguji tepercaya, dengan waitlist dan akses bertahap lewat Project Genie dan Gemini API. Semua output membawa watermark SynthID.

Kenapa ini penting

Kalau kamu menggarap robotika atau pelatihan agent, world model yang bisa dikendalikan dengan audio native adalah cara yang lebih murah untuk membuat dan menguji skenario dibanding mengumpulkan data dunia nyata. Masalah drift itu berarti simulasi panjang tetap perlu disikapi hati-hati sebelum benar-benar diandalkan.