Google DeepMind julkistaa Genie 4:n reaaliaikaisella äänellä ja interaktiivisella maailman muokkaamisella

Kuva: TechCrunch · Lähde

Google DeepMindin Genie 4 -maailmamalli parantaa valokuvantarkkuutta, lisää reaaliaikaisen äänen ja mahdollistaa dynaamisen kohtauksen muokkauksen simulaation aikana, tukien pelejä, robotiikan testausta ja luovia prototyyppien kehityksiä.

Google DeepMind on esitellyt Genie 4:n, uusimman maailmamallinsa, tutkimusesikatseluna luotetuille testaajille. Tämä edistynyt malli tuottaa erittäin valokuvantarkkoja, interaktiivisia virtuaaliympäristöjä, jotka ovat immersiivisempiä kuin aiemmat versiot. Keskeinen ominaisuus Genie 4:ssä on reaaliaikainen äänen generointi, joka vastaa virtuaalimaailmaa tarjoten ympäristön ääniä, musiikkia ja interaktiivisia keskusteluja kokemuksen rikastamiseksi.

Perustaen edeltäjäänsä Genie 3:een, joka julkaistiin hieman yli vuosi sitten, Genie 4 tarjoaa useita parannuksia. Käyttäjät voivat antaa vapaamuotoisia tekstipromptteja simulaatioiden aikana säätääkseen elementtejä kuten säätä, kamerakulmia tai lisätäkseen uusia objekteja ja hahmoja. Malli pystyy säilyttämään kohtauksen johdonmukaisuuden jopa kahden minuutin ajan — kaksinkertaisesti aiempaan verrattuna — ja esittää parannettua fysiikkaa sekä inhimillisempiä virtuaalihahmoja.

Integraatio Googlen Gemini-tekoälymalliin lisää suunnittelu- ja laadunvalvontakerroksen. Gemini toimii ohjaajana, pilkkoo tehtävät vaiheisiin ja valvoo Genie 4:n reaaliaikaisesti luomia visuaaleja. Tätä yhteistyötä demonstroitiin kokeessa, joka liittyy Gemini-robotiikkaan, missä simuloituja skenaarioita testattiin ennen toteutusta reaalimaailmassa, mikä viittaa potentiaalisiin sovelluksiin robotiikan kehityksessä ja turvallisuustestauksessa.

Genie 4:llä on potentiaalisia kaupallisia käyttötarkoituksia peleissä, interaktiivisessa oppimisessa ja robotiikkasimulaatiossa. Esimerkiksi käyttäjät voisivat uppoutua historialliseen maalaukseen ja olla vuorovaikutuksessa sen hahmojen kanssa muuttaen opetusmateriaalia osallistaviksi kokemuksiksi. Luotetut testaajat ovat myös tunnistaneet elokuvien prototypoinnin arvokkaan käyttökohteen, jossa kohtauksien nopea muokkaus tukee luovia ideoita ja käsikirjoituksen laatimista.

Genie 4:ää täydentää Veo, Googlen tekoälypohjainen videonluontityökalu, joka tuottaa korkean resoluution leikkeitä synkronoidulla äänellä tekstin, kuvien tai videoprompttien perusteella. Vaikka työkalu on vielä kehitysvaiheessa, Google aikoo integroida Gemini Omni -monimodaalisen suuren kielimallin, joka pystyy luomaan videoita moninaisista syötteistä auttaakseen prototyyppien muuntamisessa viimeistellyiksi luoviksi tuotoksiksi.

Näistä edistysaskelista huolimatta Google tunnustaa nykyiset haasteet. Pitkissä simulaatioissa visuaaliset yksityiskohdat ja objektit voivat ajautua pois, äänen tarkkuutta tulee parantaa, ja selkeän tekstin renderöinti maailmassa on vaikeaa. Täysi tuotekokemus on vielä kehittymässä, ja käyttöönotto suunnitellaan Google AI Ultra -tilaajille ja varhaisen pääsyn kumppaneille Project Genie -hankkeen ja siihen liittyvien API-palveluiden kautta.

Genie 4 asemoituu Google DeepMindin johtajaksi nousevassa maailmamalliteknologian maisemassa tarjoten tehokkaita työkaluja interaktiivisten virtuaaliympäristöjen luomiseen ja reaaliaikaiseen hallintaan, jotka voivat vaikuttaa peleihin, koulutukseen, elokuvantekoon ja robotiikkaan.