Genie 4 von Google DeepMind: interaktive Welten mit Audio, kein öffentlicher Zugang

Google DeepMind hat am 27. Oktober Genie 4 vorgestellt, ein Weltmodell, das erkundbare Umgebungen in Echtzeit generiert, inklusive Klängen, Musik und Dialogen, die zusammen mit den Bildern entstehen. Der Nutzer bewegt sich per Tastatur und Maus und kann die Szene per natürlichsprachiger Eingabe verändern, während die Simulation läuft. Heute nutzt es eine kleine Gruppe ausgewählter Tester. Für Google-AI-Ultra-Abonnenten in Project Genie und für API-Partner ist der Zugang als „demnächst verfügbar“ angekündigt, ohne konkretes Datum. Und DeepMind selbst hält schriftlich fest: Objekte, Kohärenz und Physik können noch versagen.

Die Grundlage dieser Einschätzung bildet die DeepMind-Ankündigung, unterzeichnet von Raia Hadsell, Diego Rivas und Hang Qi, sowie der Google-Blogbeitrag und die Modellseite. Der Twitter-Beitrag war nicht direkt zugänglich; der Text wurde über das Embed von AI Lately erfasst. Die technischen Angaben zu Genie 3 stammen aus der Berichterstattung von The Decoder vom August 2025.

Was Genie 4 kann

Genie 4 ist ein Weltmodell: kein Clip zum Anschauen, sondern eine Umgebung, die Bild für Bild auf Befehle reagiert. Der Ausgangspunkt ist ein Text oder ein Referenzbild als erster Frame. Dann bewegt man sich per Tastatur durch die Szene und steuert die Kamera. Während der Sitzung lässt sich das Wetter ändern, der Bildausschnitt verschieben oder Personen und Objekte hinzufügen. Laut DeepMind passt ein Gemini-Modell jeden Befehl an die Szene an und lässt die Welt auch zwischen zwei Eingaben weiterlaufen.

Das Modell greift auf die Gemini-Familie zurück. Gemini Omni verankert Szenen in Aussehen und Verhalten der realen Welt, während weitere Gemini-Modelle das Reasoning übernehmen, das die Simulation kohärent hält. Es ist dieselbe Familie, die Google im Büroumfeld mit dem Gemini-Agenten für Unternehmen vorantreibt, ebenfalls in geschlossener Vorschau.

Die wichtigste Neuerung: nativer Audio

DeepMind beschreibt Genie 4 als erstes Echtzeit-Weltmodell, das Audio nativ generiert. Jede Umgebung hat eigene Hintergrundklänge und Musik. Charaktere sprechen, und der Dialog passt sich Befehlen und Ereignissen an.

Das ist der zentrale Unterschied zu Genie 3, das laut The Decoder im August 2025 angekündigt wurde. Jenes Modell erzeugte Welten mit 720p und 24 Frames pro Sekunde, verfügte über ein visuelles Gedächtnis von bis zu einer Minute und ermöglichte Szenenwechsel per Text, sogenannte „promptable world events“. Audio fehlte vollständig. Für Genie 4 veröffentlicht DeepMind weder Auflösung noch Framerate noch Maximaldauer und bietet keinen messbaren Vergleich mit der Vorgängerversion. Die Modellseite spricht lediglich von „wenigen Minuten kontinuierlicher Interaktion“.

Interaktiver Prototyp, kein Video

Der Unterschied ist wichtig für das Verständnis des Einsatzzwecks. Ein Videogenerator liefert einen fertigen Clip. Genie 4 liefert eine Szene, die auf denjenigen reagiert, der sie steuert. DeepMind nennt konkrete Anwendungsfälle: Regisseure, die in einer Live-Simulation mehrere Takes durchspielen; Fotojournalisten, die ein einzelnes Archivfoto in eine begehbare Umgebung verwandeln; Entwickler, die visuelle Stile und Spielmechaniken aus einem Text heraus testen; Unternehmenspartner, die die schnelle Generierung von Szenarien evaluieren. Diese Workflows ergänzen die bereits bei Creators verbreiteten Werkzeuge, die etwa Adobe und NVIDIA weiter ausbauen.

Das strategisch bedeutsamste Feld ist die Simulation für Agenten und Roboter. Laut der Ankündigung beobachtet Gemini 3.8 Flash die Frames, zerlegt ein Ziel in Teilschritte, prüft jeden einzelnen und korrigiert den Plan, wenn sich die Welt verändert oder der Nutzer eingreift. In einer weiteren Demo arbeitet Gemini 4 Argon mit Genie 4 an einer Roboteraufgabe: mit dem Apollo-Roboter von Apptronik und einer Partie Dame. Das Training von Agenten in generierten Welten ist dieselbe Wette, auf die NVIDIA und LG mit physischer KI setzen. Zwischen einer Demo und einer Produktionslinie liegt jedoch ein beträchtlicher Abstand, den Humanoidroboter in Fabriken deutlich zeigen.

Die Grenzen, laut DeepMind

Die Ankündigung verschweigt die Schwachstellen nicht. Visuelle Details und Objektpermanenz können abweichen, besonders in langen Sitzungen, nach mehreren Texteingaben oder beim Navigieren. Als offene Forschungsfelder nennt DeepMind komplexe physikalische Interaktionen, Echtzeit-Audiogenauigkeit, lesbaren Text, räumliche Präzision und langfristige Kohärenz.

Die Modellseite listet drei weitere Einschränkungen. Erstens: die Interaktion zwischen mehreren Agenten und Nutzern in derselben Umgebung. Zweitens: reale Orte lassen sich nicht exakt reproduzieren. Drittens: die Dauer ist auf wenige Minuten begrenzt, keine ausgedehnten Sitzungen. Ein Hinweis stellt klar, dass die gezeigten Aufzeichnungen echte, aber verkürzte Sitzungen mit illustrativen Ergebnissen sind. Weder Benchmarks noch unabhängige Evaluierungen existieren: Was man sieht, ist eine Unternehmensdemonstration.

Wer Zugang hat, und wann

Konkret: die kurze Antwort: fast niemand, vorerst. Das Modell befindet sich in einer Research-Preview für ausgewählte Tester, mit einer offenen Warteliste. Danach folgen Google-AI-Ultra-Abonnenten in Project Genie sowie Partner mit Early Access zur Gemini-API und zu AI Studio. Kein Datum, kein Land ist angegeben.

Ein Blick auf die Vorgeschichte hilft, die Erwartungen zu kalibrieren. Project Genie startete laut PetaPixel am 29. Januar 2026 mit Genie 3 und war zum Launch auf Ultra-Abonnenten in den USA beschränkt, volljährig, zum Preis von 250 US-Dollar pro Monat, mit Generierungen auf 60 Sekunden begrenzt. Ob dieser Rahmen inzwischen erweitert wurde, ist nicht bekannt. Für den DACH-Raum gibt es derzeit keinen bestätigten Zugangsweg. Zur Transparenz erklärt DeepMind, dass alle von Genie 4 generierten Videos und Audios das SynthID-Wasserzeichen tragen werden, ein Punkt, der nach Vorfällen wie dem preisgekrönten und anschließend disqualifizierten Nikon-Video wegen Einsatzes generativer KI an Gewicht gewinnt.

Genie 4 auf einen Blick

Was bestätigt ist, was nicht

• Bestätigt: Echtzeit-Weltmodell mit nativem Audio, per Text veränderbare Szenen während der Sitzung, Research-Preview für ausgewählte Tester, SynthID-Wasserzeichen auf Video und Audio, erklärte Grenzen bei Objekten, Physik, Audio und Dauer.
• Nicht angegeben: Auflösung, Framerate, Maximaldauer in Minuten, Länder und Verfügbarkeitsdaten, API-Preise, Benchmarks oder unabhängige Evaluierungen.
• Zu beobachten: die Öffnung für Ultra-Abonnenten in Project Genie und für API-Partner sowie erste unabhängige Tests zu Kohärenz und Physik.

Die größere Einordnung

Genie 4 verlagert den Wettbewerb in der generativen KI vom Clip zur Welt. Ein Video schaut man an, eine Umgebung benutzt man: man testet ein Spiellevel, dreht eine Szene, trainiert einen Agenten. Deshalb wiegen die erklärten Grenzen hier schwerer als bei einem Videogenerator. Ein Objekt, das in einem Clip verschwindet, ist ein ästhetischer Fehler. In einem Simulator für Roboter oder Agenten ist es ein falsches Datum.

Drei Signale verdienen besondere Aufmerksamkeit. Erstens: wann und wo der Zugang über die Tester hinaus erweitert wird, und mit welcher Sitzungsdauer. Zweitens: ob unabhängige Bewertungen zu Objektpermanenz, Kohärenz und Physik folgen werden, die heute noch fehlen. Drittens: in welchem Ausmaß die Nutzung mit Agenten, also solchen, die am Computer im Auftrag von Nutzern arbeiten, den Weg von Demos in echte Arbeitsabläufe findet. Der Wert von Genie 4 liegt heute in der schnellen Prototypenerstellung. Zuverlässige Simulation ist noch ein Ziel, kein Ergebnis.