Genie 4: Googles KI baut begehbare Welten mit Ton, die sich per Text steuern lassen

Genie 4 ist Googles neues Weltmodell von Google DeepMind – und die Welten, die es erschafft, sind endlich auch zu hören. Beschreiben Sie eine Szene in einem Satz oder geben Sie ein Referenzbild vor: Das Modell erzeugt einen Ort, den Sie mit der Tastatur erkunden können, während es den Wind in den Bäumen, das Rauschen der Wellen am Strand und die Stimmen der Menschen vor Ort erklingen lässt. Diese Menschen können sich nun mit Ihnen unterhalten und dabei auf Ihre Handlungen reagieren. DeepMind bezeichnet das als die eigentliche Grenze, die diese neue Version verschiebt.

Die größte Veränderung für alle, die frühere Versionen ausprobiert haben, ist die bessere Steuerung. Sie können eine Anweisung eingeben, die das Wetter verändert, die Kamera schwenkt oder eine neue Person beziehungsweise einen Gegenstand in die Szene einfügt. Gemini formuliert Ihre Eingabe so um, dass sie zur bereits dargestellten Welt passt. Zwischen Ihren Anweisungen lenkt Gemini die Simulation weiter, damit die Welt nicht auseinanderfällt. Das fühlt sich weniger an wie ein Videospiel und mehr wie die Regie an einem Filmset, an dem ununterbrochen gedreht wird – genau so setzen einige frühe Tester das Modell bereits ein.

Gemini plant die Szene, Genie setzt sie ins Bild

Genie 4 greift auf den Rest von Googles Modellfamilie zurück. Laut der Ankündigung von DeepMind verankert Gemini Omni jede Simulation im Aussehen und Verhalten der realen Welt, während andere Gemini-Modelle für die Schlussfolgerungen sorgen, die eine Szene von einem Moment zum nächsten stimmig halten. Gemini 3.8 Flash ist als steuernder Agent in den Prozess eingebunden: Es beobachtet die Welt, während Genie 4 sie zeichnet, zerlegt ein Ziel in einzelne Schritte, prüft anhand der eingehenden Bilder, ob jeder Schritt funktioniert hat, und passt den Plan an, wenn Sie eingreifen.

Den größten Sprung sieht DeepMind bei den Menschen. Figuren bewegen sich natürlicher, reagieren auf ihre Umgebung und lassen sich während der laufenden Simulation steuern; außerdem bildet das Modell physikalische Vorgänge wie Aerodynamik und Zusammenstöße ab. Zu den Demos auf dem Unternehmensblog gehören ein Ahornsamen, der sich drehend ins Gras senkt, ein voller Bahnhof auf dem Land im Japan der 1980er-Jahre und ein Drachenrennen aus der Ich-Perspektive, dessen Soundtrack aus donnernden Flügelschlägen besteht – sämtliche Töne wurden von Genie 4 selbst erzeugt. Genie 3 schuf stumme Welten mit 720p und 24 Bildern pro Sekunde. Diesmal hat DeepMind keine Angaben zu Auflösung oder Bildrate veröffentlicht. Die Verbesserung lässt sich deshalb nur anhand der eigenen Clips des Unternehmens beurteilen.

Spiele sind nicht das einzige Ziel. DeepMind zufolge ist die Simulation der Welt ein entscheidender Schritt auf dem Weg zu künstlicher allgemeiner Intelligenz. In einer Demo wird Genie 4 mit Gemini 4 Argon kombiniert, um den humanoiden Roboter Apollo von Apptronik beim Damespiel zu simulieren. Argon zerlegt die Aufgabe in einzelne Schritte und gibt sie als Textbeschreibungen an Genie 4 weiter, während die Szene gerendert wird. Das langfristige Geschäftsmodell sind sichere, unendlich wandelbare Übungswelten für Roboter und Software-Agenten – und das lange, bevor irgendjemand ein Genie-Spiel verkauft.

Filmemacher und Fotojournalisten durften zuerst ran

DeepMind testet Genie 4 mit Gruppen aus der Kreativbranche, dem Journalismus, dem Bildungswesen, der Spieleentwicklung und dem Ingenieurwesen. Filmemacher nutzen es als Entwurfsmodus für die Vorvisualisierung: Sie betreten eine laufende Szene und spielen mehrere Varianten durch, während sie Kamerawinkel, Beleuchtung, Dialoge und Handlung anpassen. Spieleentwickler gelangen in wenigen Sekunden von einer Idee zu einem Prototyp, den sie erkunden können – noch bevor sie auch nur eine Zeile Code für eine Game-Engine schreiben. Partner aus der Wirtschaft erproben das Modell für die schnelle Erstellung von Szenarien.

Das heikelste Experiment betrifft Fotojournalisten. Sie testen, ob sich ein einzelnes Archivfoto binnen Sekunden in eine simulierte Version des abgebildeten Ortes verwandeln lässt – bevölkert und in Bewegung. DeepMind erwähnt außerdem die Visualisierung des Verlaufs einer Sturzflut oder eines Waldbrands. Ein überzeugender Gang durch eine echte historische Straße, auf der erfundene Menschen miteinander sprechen, ist zugleich eine überzeugende Fälschung. DeepMinds Antwort darauf heißt SynthID: ein unsichtbares Wasserzeichen, das in alle von Genie 4 erzeugten Videos und Audiodateien eingebettet wird. Hinzu kommen interne Sicherheitsprüfungen und eine schrittweise Einführung. SynthID hilft allerdings nur, wenn Plattformen und Zuschauer tatsächlich ein Erkennungstool verwenden. Und auf dem Bildschirm gibt es nichts, woran ein unbedarfter Zuschauer erkennen könnte, dass das Material synthetisch ist.

Die Welten verlieren noch ihre Konturen

Ungewöhnlich offen spricht DeepMind über die Grenzen des Modells. Genie 4 hält eine Umgebung in kurzen Sitzungen zusammen, doch bei längeren Simulationen, nach mehreren komplexen Änderungen an den Eingaben oder während man sich in der Szene bewegt, können sich visuelle Details und die Beständigkeit von Objekten verändern. Komplexe physische Interaktionen, präziser Ton in Echtzeit, lesbarer Text, räumliche Genauigkeit und langfristige Konsistenz führt das Unternehmen als ungelöste Forschungsprobleme auf. Einfach gesagt: Das Bücherregal, an dem Sie vor einer Minute vorbeigegangen sind, ist womöglich nicht mehr dasselbe, wenn Sie sich umdrehen.

Die meisten Menschen können Genie 4 bislang auch noch nicht ausprobieren. Die Forschungsvorschau ist auf ausgewählte, vertrauenswürdige Tester beschränkt. Google zufolge soll das Modell in Kürze über Project Genie, die Web-App zur Erzeugung von Welten, für Abonnenten von Google AI Ultra verfügbar sein. Auch Partner mit frühem Zugang zur Gemini API und zu Google AI Studio sollen es nutzen können; eine Warteliste ist bereits geöffnet. Ein Veröffentlichungstermin steht noch nicht fest. Außer dem Ultra-Abo – Googles teuerstem KI-Tarif – ist auch kein Preis bekannt, ebenso wenig, in welchen Ländern der Start beginnt. Als Project Genie am 29. Januar 2026 mit Genie 3 an den Start ging, war der Zugang auf Ultra-Abonnenten in den Vereinigten Staaten ab 18 Jahren beschränkt; die Sitzungen waren auf 60 Sekunden begrenzt.

DeepMind kündigte Genie 4 am 27. Oktober 2026 in einem Beitrag an, der von Raia Hadsell, Diego Rivas und Hang Qi unterzeichnet war. Die Reihe begann im Februar 2024 mit einem Modell, das Bilder in einfache 2D-Plattformspiele verwandelte. Im Dezember 2024 folgte mit Genie 2 der Schritt in die dritte Dimension, im August 2025 ermöglichte Genie 3 die Erkundung in Echtzeit. Jede Generation brachte etwas Neues: zunächst eine dritte Dimension, dann Bewegung in Echtzeit, nun Ton und Sprache. Genie 4 muss noch beweisen, dass eine Welt sich länger an sich selbst erinnern kann als bis zur nächsten Kaffeepause.

Schlagwörter: künstliche Intelligenz, Google, Gemini, Google DeepMind, Genie 4, Project Genie