Google DeepMind a présenté le 27 octobre Genie 4, nouvelle génération de son modèle de mondes interactifs. Comme ses prédécesseurs, il transforme une description textuelle ou une image en un environnement que l'on parcourt en temps réel au clavier. Cette version s'attaque à trois faiblesses connues : le réalisme, l'absence de son et l'impossibilité de modifier une scène déjà lancée.
Le changement le plus frappant concerne l'audio. D'après DeepMind, il s'agit de son premier modèle de mondes en temps réel capable de générer nativement du son : chaque scène possède sa propre ambiance, du vent et de l'eau jusqu'à la musique jouée par les personnages. Le système fait aussi parler ces personnages, qui dialoguent et réagissent aux gestes de l'utilisateur comme aux événements du monde simulé.
Il devient également possible de réécrire la scène en cours de route. Une consigne tapée au clavier peut changer la météo, déplacer la caméra ou faire apparaître une personne ou un objet, et Gemini ajuste la demande à ce qui est déjà affiché. Entre deux interventions, Gemini continue d'observer la scène et la réoriente pour qu'elle reste cohérente. DeepMind revendique enfin une physique plus crédible, collisions et mouvements d'air compris, et des humains bien plus naturels.
Sous le capot, Genie 4 puise dans la famille Gemini. Gemini Omni ancre l'apparence et le comportement des éléments, tandis que Gemini 3.8 Flash joue le rôle de planificateur intégré à la boucle : il découpe un objectif en étapes, examine les images à mesure qu'elles arrivent et valide chaque étape avant de passer à la suivante. Lors d'une expérience de robotique, Gemini 4 Argon a transmis à Genie 4 des légendes successives pour simuler le robot humanoïde Apollo d'Apptronik en train de jouer aux dames, une manière, selon DeepMind, de répéter des tâches robotiques dans des décors imaginaires avant de les tenter pour de vrai.
Selon TechCrunch et The Verge, une scène de Genie 4 reste cohérente pendant environ deux minutes, soit à peu près le double de Genie 3, dévoilé par Google en août 2025. TechCrunch replace l'annonce dans un secteur très disputé, où figure déjà GWM Worlds 2 de Runway et où les jeunes pousses du domaine commencent à être rachetées. Des chercheurs de Google DeepMind ont expliqué à la presse que l'avenir appartient selon eux à des systèmes hybrides, dans lesquels les modèles de langage planifient et Genie se charge du rendu.
L'accès reste très restreint. Seuls des testeurs de confiance utilisent Genie 4 pour l'instant ; viendront ensuite les abonnés Google AI Ultra dans Project Genie et les partenaires en accès anticipé de la Gemini API et de Google AI Studio, une liste d'attente étant ouverte. Des testeurs issus du cinéma, du journalisme, de l'enseignement, du jeu vidéo et de l'ingénierie s'en sont servis pour des storyboards, pour transformer des photos d'archives en lieux explorables ou pour prototyper des jeux. Toutes les vidéos et tous les sons générés portent le filigrane SynthID de Google, et DeepMind assure avoir mené des évaluations de sécurité internes avant cette préversion.
DeepMind reconnaît que Genie 4 demeure expérimental. La permanence des objets et les détails peuvent dériver au fil d'une longue session ou après de nombreuses modifications, et la physique des interactions, la justesse du son, la lisibilité des textes et la précision spatiale restent à améliorer. Ni TechCrunch ni The Verge n'ont pu essayer le modèle : la qualité visible dans les vidéos de démonstration de Google n'a donc pas encore été vérifiée de façon indépendante.