L'ESSENTIEL EN 30 SECONDES

  • Genie 4 génère ensemble vidéo, ambiance sonore, musique et dialogues ; DeepMind le présente comme le premier modèle de monde en temps réel doté d'audio natif.
  • On peut modifier une scène en cours par des consignes textuelles, par exemple changer la météo ou ajouter un personnage.
  • C'est une préversion de recherche réservée à des testeurs ; un accès via Project Genie (Google AI Ultra) et l'API Gemini est prévu.

Google DeepMind a dévoilé Genie 4, nouvelle version de son « modèle de monde » : un système qui génère en temps réel un environnement explorable et interactif, plutôt qu'un simple clip vidéo figé. Le laboratoire le qualifie de modèle précoce et expérimental, et l'accès est pour l'instant limité à des testeurs de confiance.

Les nouveautés

Le principal ajout, c'est le son. Selon DeepMind, Genie 4 produit ambiance sonore, musique et dialogues en même temps que l'image, et le laboratoire le présente comme le premier modèle de monde en temps réel à générer l'audio nativement. Son prédécesseur, Genie 3, produisait des scènes muettes.

L'utilisateur se déplace avec les commandes clavier habituelles et peut taper des instructions pendant la simulation — changer la météo, déplacer la caméra, ajouter une personne ou un objet — sans tout relancer. DeepMind explique que Gemini 3.8 Flash joue le rôle d'agent guide : il observe la scène, découpe les objectifs en étapes et ajuste son plan lorsque le monde ou les consignes évoluent. L'entreprise revendique aussi une physique plus crédible, collisions et aérodynamique comprises, ainsi que des personnages qui réagissent à leur environnement.

Qui peut l'utiliser ?

Genie 4 est une préversion de recherche. DeepMind prévoit de l'ouvrir aux abonnés Google AI Ultra via Project Genie et à des partenaires en accès anticipé sur l'API Gemini et Google AI Studio ; une liste d'attente est ouverte. Aucune date, région ni tarification pour les développeurs n'a été communiquée. Startup Fortune rappelle que Project Genie exigeait jusqu'ici l'abonnement AI Ultra, le plus haut de gamme de Google.

D'après DeepMind, les testeurs s'en servent pour la prévisualisation de films, la transformation de photos d'archives en scènes explorables, le prototypage de jeux et la création de scénarios simulés pour des entreprises. Les vidéos et sons générés portent le filigrane SynthID.

Limites

DeepMind reconnaît plusieurs faiblesses : détails visuels et permanence des objets peuvent dériver lors de longues sessions, après plusieurs modifications ou en cours de navigation. Interactions physiques complexes, justesse de l'audio, lisibilité du texte, précision spatiale et cohérence à long terme restent des chantiers de recherche. Le billet ne précise ni durée de session, ni résolution, ni fréquence d'images, ce qui complique la comparaison avec Genie 3 (720p à 24 images par seconde) tant que des tests indépendants n'auront pas été publiés.