Genie 4 от DeepMind: интерактивные миры со звуком

27 октября 2026 года Google DeepMind объявила Genie 4 — модель, которая в реальном времени строит интерактивный мир со звуком и меняет его по текстовым командам. Это исследовательское превью: доступ есть у закрытой группы тестировщиков, цена и API не опубликованы. По данным TechCrunch, сцена держится связной до двух минут — вдвое дольше, чем у Genie 3.

Разберём, что DeepMind показала на самом деле, кто и когда сможет этим пользоваться и что из этой истории можно встроить в продукт уже сейчас.

Что DeepMind объявила 27 октября

Genie 4 — четвёртое поколение модели мира. Анонс вышел одновременно в блоге DeepMind и в блоге Google, авторы технического поста — Райя Хадселл, Диего Ривас и Ханг Ци.

Модель мира отличается от генератора видео тем, что не выдаёт готовый ролик. Она достраивает картинку кадр за кадром, учитывая, что сделал пользователь: шагнул вперёд, повернул камеру, написал «пусть пойдёт дождь». Навигация в демонстрациях идёт со стандартных клавиш, а сцена правится текстом прямо по ходу.

В основе — модели семейства Gemini. По формулировке DeepMind, Gemini Omni отвечает за то, чтобы мир выглядел и вёл себя как настоящий, а другие модели Gemini дают рассуждение, которое держит симуляцию связной.

Что Genie 4 умеет

DeepMind выделяет четыре направления, в которых модель продвинулась.

Самое заметное — звук. DeepMind называет Genie 4 первой своей моделью мира реального времени, которая генерирует аудио сама. Персонажи разговаривают и реагируют на действия пользователя, а не проигрывают заготовленную дорожку.

Второе — люди в кадре. По словам авторов, главный скачок именно в том, как модель симулирует людей: они двигаются естественно, реагируют на окружение, и ими можно управлять по ходу.

Как в этой схеме работает Gemini

Связка устроена так: Genie 4 рисует мир, а языковая модель Gemini работает режиссёром.

В примерах DeepMind эту роль играет Gemini 3.8 Flash. Пока Genie генерирует мир, Gemini наблюдает за сценой, разбивает цель на последовательность шагов, смотрит на входящие кадры и проверяет, выполнен ли очередной шаг. Если мир меняется или вмешивается пользователь, план пересобирается на ходу.

Отдельный эксперимент — с роботами. Gemini 4 Argon вместе с Genie 4 симулирует, как человекоподобный робот Apollo от Apptronik играет в шашки: Argon раскладывает задачу на шаги и подаёт их Genie текстовыми подписями прямо во время отрисовки. Для DeepMind это путь к безопасным тренировочным средам: проверить поведение системы в придуманном мире до того, как пускать её в реальный.

Для разработчика здесь важна сама архитектура. Языковая модель, которая планирует и проверяет, — это обычный вызов API. Такую же схему «планировщик плюс исполнитель» можно собрать и с другими генераторами, не дожидаясь Genie 4.

Кому и когда станет доступно

Ответ короткий: пока почти никому.

Сейчас Genie 4 раскатывают как исследовательское превью для доверенных тестировщиков. Следующими DeepMind называет подписчиков Google AI Ultra в Project Genie и партнёров раннего доступа Gemini API и Google AI Studio. Для Project Genie открыт лист ожидания. Дат вендор не называет, TechCrunch пишет о «ближайших неделях».

Чего в анонсе нет:

• цены — ни за минуту, ни за сессию;
• разрешения и частоты кадров;
• ограничений по длительности в официальном тексте;
• описания API: параметров, формата ответа, лимитов.

Цифру про две минуты связной сцены приводит TechCrunch, в посте DeepMind её нет. Мы её даём со ссылкой на издание.

Чем Genie 4 отличается от генерации видео

Разница не в качестве картинки, а в том, кто управляет временем.

Генератор видео отвечает на вопрос «покажи». Модель мира отвечает на вопрос «что будет, если». Поэтому тестировщики DeepMind используют Genie 4 не для готового контента, а как черновой режим: режиссёр «заходит» в сцену и снимает несколько дублей, меняя свет и реплики, а геймдизайнер проверяет механику до того, как написать строчку кода движка.

Что из этого есть в каталоге KeyDealer

Самой Genie 4 в каталоге нет, и дату мы не обещаем: модель не вышла из превью даже у вендора. Зато две модели, которые DeepMind ставит режиссёрами в связке, доступны по одному ключу.

Прайс Google — по стандартному платному тарифу Gemini API, пересчёт по курсу ЦБ на 28 октября 2026 года, 80,5307 ₽ за доллар. У нас одна ставка на вход, выход и кэш.

Обе цены Google помечены как временные. У 3.8 Flash они действуют до 31 декабря 2026 года, с 1 января 2027-го вход и выход удваиваются. У Argon — до 30 ноября, с 1 декабря тоже вдвое выше. У 3.8 Flash у Google есть ещё бесплатный уровень с лимитами, у Argon его нет.

К каждому запросу на обеих позициях добавляется служебный контекст маршрута, по оценке каталога около 512 токенов, оплачиваются как вход. Это сотые доли копейки на запрос; механика — в материале про служебный контекст маршрута.

Режиссёр сцены, обычный шаг: 10 тысяч токенов входа (описание сцены, история шагов, подпись к кадру) и 1 тысяча выхода. У Google на 3.8 Flash это около 0,91 ₽, у нас около 0,23 ₽ вместе со служебным контекстом. На Argon у Google около 2,42 ₽, у нас около 0,46 ₽.

Кэш у нас не дешевле обычного входа. Если ваш сценарий почти целиком состоит из повторяющегося префикса, который у Google попадает в кэш, разница сократится или развернётся. Считайте на своём профиле запросов.

Можно ли генерировать видео через API уже сейчас

Можно, но это генерация роликов, а не интерактивный мир. Если задача — встроить видео в свой продукт сегодня, а не ждать Genie 4, KeyDealer даёт позицию grok-imagine-video-1.5 по тому же ключу, что и текстовые модели: ролик по текстовому описанию, оплата в рублях российской картой, списание только за готовый результат.

Условия на 28 октября 2026 года:

• 2 ₽ за секунду, ролик 15 секунд — 30 ₽;
• разрешение 480p, соотношение сторон 16:9;
• только текст в видео: генерация по картинке, правка и продление ролика не поддерживаются;
• задача асинхронная, деньги резервируются до отправки и возвращаются при сбое.

Это честно другой класс инструмента. Ролик не реагирует на клавиатуру и не меняется по ходу. Для прототипа сцены или раскадровки этого часто хватает, для симуляции — нет. Как выбирать между видеомоделями и что ещё бывает в открытом доступе, мы разбирали на примере открытой LTX-2.5, а картинки и видео Grok в каталоге — в материале Nano Banana и Grok Imagine приехали в каталог.

Когда API не нужен вовсе

Если вы не встраиваете генерацию в продукт, а снимаете и публикуете, ключ к модели — лишний слой. Промпты, раскадровка, удержание персонажа между сценами, монтаж — всё это придётся собирать самому поверх API. Для такой работы у нас есть соседний сервис TrendMix: там идея раскладывается по сценам, персонаж держится между эпизодами, а на выходе получается видео или карусель, готовая к публикации. KeyDealer нужен тем, кто встраивает модели в свой код, TrendMix — тем, кому нужен готовый ролик. Как провести эту границу на своей задаче, разобрано в материале API или готовое решение.

Что Genie 4 пока не умеет

DeepMind здесь непривычно откровенна, и раздел с ограничениями стоит прочитать до того, как строить планы.

Мир плывёт. На коротких сессиях окружение держится связным, но детали и постоянство предметов со временем смещаются. Особенно — на длинной симуляции, после нескольких сложных правок текстом и при активном перемещении по сцене.

Открытые задачи. Сложные физические взаимодействия, точность звука в реальном времени, читаемый текст в кадре, пространственная точность и долгая согласованность названы областями, где исследование продолжается.

Метка на всём. Всё видео и аудио Genie 4 будет нести невидимый водяной знак SynthID. Для тех, кто планирует публиковать сгенерированное, это значит, что происхождение ролика можно будет проверить. Как водяные знаки устроены в ответах моделей, мы писали в материале водяные знаки в ответах моделей.

Зачем это всё DeepMind

Официальная формулировка — симуляция мира как шаг к общему искусственному интеллекту. Практическая сторона понятнее.

Первое — тренировочные среды. Робота и агента дёшево и безопасно учить в мире, который можно сгенерировать в любом варианте: другой свет, другая планировка, другие люди вокруг.

Второе — творческие инструменты. Среди тестировщиков DeepMind называет кино, журналистику, игры и производство. Фотожурналисты, например, пробуют превращать архивный снимок в среду, по которой можно пройти, и моделировать, как развивается паводок или пожар.

Третье — корпоративная симуляция. Партнёры оценивают Genie 4 как способ быстро получить сценарий «с нуля», а DeepMind собирает, чего модели не хватает для таких задач.

Чего мы не утверждаем

Мы не утверждаем, что Genie 4 появится в API в определённый срок. Вендор называет очередь доступа, но не даты. До выхода из превью любые планы на интеграцию — гадание.

Мы не проверяли модель сами. Всё описание возможностей взято из анонса DeepMind и демонстраций, которые выбирал вендор. Демонстрация — это лучший дубль, а не средний результат.

Мы не гарантируем актуальность цен Google. Обе цены в таблице помечены вендором как временные и удвоятся в объявленные даты. Перед расчётом бюджета проверяйте страницу тарифов Gemini API.

Что держать в голове

Первое. Genie 4 — исследовательское превью без цены и без API. Новость важная как направление, но строить на ней продукт сегодня не из чего.

Второе. Архитектура «языковая модель планирует, генератор рисует» доступна уже сейчас. Модели-режиссёры из анонса есть в каталоге, а генерацию видео по тексту можно подключить тем же ключом.

Третье. Если нужен не код, а готовый ролик, API — лишний слой, и правильнее взять готовый сервис. Что мы за проект — на странице о проекте, ключ заводится на keydealer.ru/login.