Google DeepMind, Canlı Ses, Etkileşimli Karakterler ve Daha Gerçekçi Dünyalar Sunan Genie 4’ü Tanıttı

9 dakikalık okuma
Google DeepMind Unveils Genie 4 With Live Audio, Interactive Characters and More Realistic Worlds

Görüntü, hareket ve sesle tepki veren sanal dünyalar

Google DeepMind, ses, konuşmalı diyalog ve değişen fiziksel ortamlarla etkileşimli sanal dünyalar oluşturan deneysel yapay zekâ modeli Genie 4’ü tanıttı. ABD saatiyle 27 Ekim’de duyurulan model, ilk aşamada güvenilirliği onaylanmış küçük bir test grubunun kullanımına sunuluyor. Erişimin Project Genie, Gemini API ve Google AI Studio üzerinden genişletilmesi planlanıyor.

İçindekiler
  1. Görüntü, hareket ve sesle tepki veren sanal dünyalar
  2. Etkileşimli bir dünya, oluşturulmuş videodan nasıl ayrılıyor?
  3. Ses, karakterleri etkileşimin parçası hâline getiriyor
  4. Genie üretirken Gemini plan yapıyor
  5. Google robotların neden bu ortamda pratik yapmasını istiyor?
  6. Film planlama daha yakın vadeli bir kullanım alanı sunuyor
  7. İki dakikalık tutarlılık da hâlâ ciddi bir sınır
  8. Kimler erişebilecek ve ücreti ne olacak?
  9. Genie 3’ten simülasyon alanındaki geniş rekabete
  10. Öne Çıkanlar

Google’a göre Genie 4, bir sahnedeki tutarlılığı iki dakikaya kadar koruyabiliyor. Bu süre, önceki model Genie 3’e atfedilen yaklaşık bir dakikanın iki katı. Kullanıcılar bu sırada bir ortamda dolaşabiliyor, hava durumunu değiştirebiliyor, insanları veya nesneleri sahneye ekleyebiliyor ve karakterlerin yaşananlara tepki verdiğini duyabiliyor.

Alphabet ve Google Üst Yöneticisi Sundar Pichai, araştırma ön izlemesini duyururken modeli şöyle tanımladı:

en gerçekçi ve etkileşimli dünya modelimiz

En önemli yenilik, yerleşik ses özelliği. Bu, sesin sonradan eklenmek yerine simülasyon deneyiminin bir parçası olarak üretilmesi anlamına geliyor. Bir dünya değişirken rüzgâr, dalgalar, arka plan müziği ve konuşmalar da duyulabiliyor. Google ayrıca insan hareketlerinde ve çarpışmalar ile aerodinamik, yani havanın hareketli nesneleri etkileme biçimi gibi fiziksel etkilerin simülasyonunda iyileştirmeler olduğunu belirtiyor.

Google bu teknolojiyi film planlama, oyun geliştirme, eğitim ve robotları ya da yapay zekâ ajanlarını gerçek ortamlarda çalışmadan önce eğitme alanlarında konumlandırıyor. Teknolojinin şu anki sınırları da bir o kadar somut: Sahneler kısa süre devam ediyor, nesneler beklenmedik biçimde değişebiliyor, sahne içindeki yazıları okumak zor olabiliyor ve sesin doğruluğu hâlâ çözüme kavuşmuş değil.

Etkileşimli bir dünya, oluşturulmuş videodan nasıl ayrılıyor?

Genie, bir metin açıklaması veya görselle başlayıp kullanıcıların keşfedebileceği bir ortam oluşturuyor. Geleneksel olarak oluşturulan bir video, izleyicilerin seyrettiği bir akışı takip ediyor. Dünya modeli ise kullanıcıların eylemlerine karşılık olarak sırada ne olacağını üretmeyi sürdürüyor.

Reklam

Klavye kontrolleri, kullanıcıların ortamda gezinmesine ve kamerayı konumlandırmasına olanak tanıyor. Yazılı talimatlarla, çalışmakta olan ortamın hava durumunu değiştirmek, bir karakter eklemek veya kamera açısını değiştirmek gibi düzenlemeler yapılabiliyor. Sistem de bu değişiklikleri yansıtacak yeni görüntüler üretmek zorunda.

Google, bu süreci deneyimin kare kare oluşturulması olarak tanımlıyor. Modelin olası her etkileşimi önceden hazırlaması gerekmiyor; bunun yerine, biri ortamda bir eylemde bulunduğunda sahnenin nasıl devam etmesi gerektiğini tahmin ediyor.

Bu da sürekliliği temel bir zorluk hâline getiriyor. Yararlı bir simülasyonun nesnelerin nerede olduğunu, insanların nasıl hareket ettiğini ve o ana kadar neler yaşandığını hatırlaması gerekiyor. Kullanıcı arkasını döndüğünde düzeni değişen bir sahne, bir anlığına inandırıcı görünse bile daha az işe yarar hâle geliyor.

Ses, karakterleri etkileşimin parçası hâline getiriyor

Genie 4, değişen görsel dünyaya ortam seslerini, müziği ve konuşmayı ekliyor. Google’a göre oluşturulan konuma uygun sesler üretilebiliyor; örneğin ağaçların arasından esen rüzgâr ya da kıyıya vuran dalgalar duyulabiliyor.

Karakterler de kullanıcı girdilerine ve simülasyon içindeki olaylara karşılık verebiliyor. Diyaloglarının sabit bir müziği takip etmek yerine duruma göre değişmesi amaçlanıyor. Kullanıcılar istemlerinde görsel öğelerin yanı sıra ses öğelerini de belirtebiliyor.

Google, insan figürlerinin daha doğal hareket ettiğini ve çevrelerine daha iyi tepki verdiğini belirtiyor. Simülasyon devam ederken bu figürlerin eylemleri yönlendirilebiliyor; böylece karakter davranışları ve sahne düzenleme aynı etkileşim içinde gerçekleşiyor.

Ses doğruluğu, ekibin de kabul ettiği üzere, geliştirme aşamasındaki sorunlardan biri. Bir sahne veya etkileşimli bir alıştırma planlayanlar için pratik gereklilik, eylemler değiştikçe konuşmaların ve ortam seslerinin de duruma uygun kalması.

Genie üretirken Gemini plan yapıyor

Google, Gemini yapay zekâ modeli ailesini Genie 4’e daha yakından entegre etti. Modellerin görevleri farklı: Genie simüle edilmiş dünyayı oluştururken Gemini yaşananlara yön veriyor ve sonucun amaçlanan plana uyup uymadığını kontrol ediyor.

Reklam

Gemini Omni, ortamın görünümünü ve davranışını destekliyor. Gemini 3.8 Flash ise gelen kareleri izliyor, hedefleri daha küçük adımlara ayırıyor, eylemlerin başarılı olup olmadığını kontrol ediyor ve sahne değiştiğinde ya da kullanıcı müdahale ettiğinde planı uyarlıyor.

Basitçe ifade etmek gerekirse, sistemin bir bölümü sıradaki görüntüyü oluştururken diğeri hedef doğrultusundaki ilerlemeyi takip ediyor. Bu düzenin, özellikle tek seferlik bir yanıttan fazlasını ve birden çok eylemi gerektiren görevlerde, olayların mantıklı bir sırayla devam etmesine yardımcı olması amaçlanıyor.

Google’da araştırma direktörü olan Tejas Kulkarni, bir bilgilendirme toplantısında şirketin uzun vadeli yaklaşımını şöyle anlattı:

Gelecekte giderek daha fazla göreceğimiz şey, Gemini’nin kod ve metin yazdığı, Genie’nin de bunları gerçek zamanlı olarak alıp gerçekliği farklı soyutlama düzeylerinde simüle ettiği bu hibrit dünya modelleri olacak,

Önerilen bu birleşim, dilin, kodun ve görsel simülasyonun birlikte çalışmasını sağlayacak. Genie 4, kullanıcının keşfi sırasında oluşturulan bir dünyaya Gemini’nin yön vermesine olanak tanıyarak bu iş bölümü düzenini şimdiden sınırlı ölçüde kullanıyor.

Google robotların neden bu ortamda pratik yapmasını istiyor?

Google DeepMind, Genie 4’ün robotlar ve yapay zekâ ajanları için eğitim ortamları sağlayıp sağlayamayacağını test ediyor. Ajan, bir hedef doğrultusunda eylemler seçen, sonuçlarını kontrol eden ve sonraki adımına karar veren yazılımdır.

Gemini Robotics ile bağlantılı bir deneyde Gemini 4 Argon, görevleri adımlara ayırdı ve Genie 4 bu adımları gerçek zamanlı olarak simüle etti. Amaç, bir robotun karmaşık bir işi fiziksel dünyada denemeden önce nasıl yapabileceğini araştırmak.

Google’a göre sanal ortamlar, gerçek hayatta karşılaşılması veya düzenlenmesi zor durumları yeniden oluşturabilir. Geliştiriciler koşulları değiştirebilir ve her varyasyon için fiziksel bir test alanını yeniden kurmaya gerek kalmadan bir ajanın nasıl tepki verdiğini inceleyebilir.

Çarpışmalar ve aerodinamikteki iyileştirme iddiaları bu kullanım için özellikle önemli. Eğitimde, bir eylem ile sonucu arasında işe yarar bir ilişki kurulması gerekiyor: Örneğin, temasın ardından bir nesnenin nasıl hareket ettiği veya bir ortamın harekete nasıl tepki verdiği. Google, karmaşık fiziksel etkileşimlerin model için hâlâ bir zorluk olduğunu kabul ediyor.

Reklam

Film planlama daha yakın vadeli bir kullanım alanı sunuyor

Güvenilirliği onaylanmış test kullanıcıları, film prototipleme ve hızlı storyboard hazırlamayı olası uygulamalar arasında gösterdi. Storyboard, çekimlerden önce bir çekim dizisini taslak hâlinde ortaya koyar. Genie 4, yaratıcı bir ekip fikrini geliştirirken kamera konumlarını, karakter eylemlerini ve atmosfer değişikliklerini keşfetmesine olanak tanıyabilir.

Google DeepMind mühendisi Diego Rivas, bir basın bilgilendirme toplantısında anlık tepkilerin bu aşamada neden yararlı olabileceğini şöyle açıkladı:

Gerçek zamanlı olma özelliği, yaratıcılık alanında akış hâlini korumanın son derece yararlı olduğu durumlarda en değerli hâle geliyor,

Rivas, fikir geliştirme ve storyboard hazırlamayı örnek verdi. Pratikteki avantaj hız: Yaratıcılar, her varyasyon için ayrı bir sekans hazırlamak üzere durmak zorunda kalmadan bir sahneyi değiştirebilir ve sonucu keşfedebilir.

Google, istemlerden eş zamanlı ses içeren video klipler oluşturan Veo’yu da sunuyor. Rivas, Gemini Omni’nin prototipleri yaratıcı içeriklere dönüştürmeye yardımcı olabileceği gelecekteki bir olasılıktan söz ederken, bu yeteneklerin kullanıma sunulmasının henüz zaman alacağını belirtti.

Oyunlar ve etkileşimli eğitim de önerilen diğer kullanım alanları. Ortak noktaları, her seferinde aynı şekilde oynatılan tamamlanmış bir medya ürünü yerine, katılımcıya tepki veren bir sahne sunmaları.

İki dakikalık tutarlılık da hâlâ ciddi bir sınır

Genie 4’ün bildirilen iki dakikalık tutarlılık süresi, Genie 3’ün yaklaşık bir dakikalık sınırının iki katı. Bu, kullanıcılara bir fikri keşfetmek için daha fazla zaman tanıyor; ancak kesintisiz bir etkinliğin süresini yine de kısıtlıyor.

Google, simülasyon devam ederken nesnelerin ve görsel ayrıntıların değişebildiğini söylüyor. Bir nesnenin görünümü veya konumu değişebiliyor ve sistem sahnenin nasıl başladığını unutabiliyor. Gemini sürekliliği korumaya yardımcı olsa da uzun oturumlar bu nedenle hâlâ zorlayıcı.

Bir dünyanın içine oluşturulan yazılar da okunaksız olabiliyor. Bu durum, insanların okuması gereken tabelalar, talimatlar veya başka metinlerin bulunduğu sahneler için somut bir sorun yaratıyor.

Google, Genie 4’ü ilk aşamadaki deneysel bir model olarak tanımlıyor ve farklı alanlardan test kullanıcılarıyla çalışıyor. Rivas, ürünün nihai hâlinin nasıl bir deneyim sunacağının henüz belirlenmekte olduğunu söyledi. Şimdilik işe yarar kullanım, kısa deneyimlere odaklanıyor; görsel süreklilik, fiziksel davranış ve ses konularında daha fazla geliştirme gerekiyor.

Reklam

Kimler erişebilecek ve ücreti ne olacak?

Genie 4’ün araştırma ön izlemesi, güvenilirliği onaylanmış test kullanıcılarıyla başladı. Google, tüketici erişimini Google AI Ultra aboneleri için Project Genie üzerinden, geliştirici erişimini ise Gemini API ve Google AI Studio’yu kullanan erken erişim ortaklıkları aracılığıyla genişletmeyi planlıyor.

Google bu genişlemenin yakında başlayacağını ve kullanıma sunumun önümüzdeki haftalarda beklendiğini belirtti, ancak kesin bir tarih vermedi. Project Genie bekleme listesi kayıtlarını kabul ediyor. API erişimi geliştiricilerin modeli kendi yazılımlarına bağlamasına olanak tanıyacak; AI Studio ise Google’ın modellerini denemek için bir ortam sunacak.

Google AI Ultra aboneliklerinin aylık 100 dolardan başladığı belirtiliyor. Genie 4 için geliştiricilere yönelik ayrı bir fiyat henüz açıklanmadı. AI Pro ve AI Plus üzerinden erişim, kesinleşmiş bir lansman düzenlemesinden ziyade daha sonraki olası bir genişleme olarak gündeme geldi.

Google, oluşturulan video ve sesin yapay zekâ tarafından üretilen içerikleri belirlemeye yarayan dijital filigranı SynthID’yi taşıyacağını söylüyor. Simüle edilmiş deneyimler daha fazla kullanıcıya ulaştıkça bu işaretleme, sistemin ürettiği içeriklerin belirlenmesine yardımcı olmayı amaçlıyor.

Genie 3’ten simülasyon alanındaki geniş rekabete

Genie 4, Google’ın dünya modellerini araştırma gösterimlerinin ötesinde kullanıma açma yolunda attığı bir dizi adımın ardından geldi:

  • Ağustos 2025: Google DeepMind, Genie 3’ü duyurdu.
  • Ocak 2026: Google, bu modeli kullanarak Project Genie’yi test etmeye başladı.
  • Mayıs 2026: Google, Street View ile entegrasyonu duyurdu.
  • ABD saatiyle 27 Ekim: Google, Genie 4’ü ve ilk araştırma ön izlemesini duyurdu.

Rekabet, sessiz ve etkileşimli sahnelerin ötesine de uzanıyor. Genie 4’ten birkaç ay önce yayımlanan Runway’in GWM Worlds 2 modeli, kullanıcı eylemlerine tepki veriyor ve ses üretebiliyor.

Sektördeki diğer gelişmeler de hem yapay zekâ geliştirme hem de fiziksel sistemler için simülasyona duyulan ilgiyi gösteriyor. Rivian, simülasyon yeteneklerini araç test çalışmalarına katmak için Third Dimension’ı satın aldı. AMD’nin World Labs’ı satın aldığına ilişkin haberler ile Amazon’un Decart’ı satın almak için yürüttüğü görüşmeler de dünya model teknolojisini daha geniş bir anlaşma gündeminin parçası hâline getiriyor; ancak Amazon ile yürütülen görüşmeler henüz müzakere aşamasında.

Google’ın son katkısı, sahne oluşturmayı, diyaloğu ve Gemini’nin planlamasını deneysel tek bir sistemde bir araya getiriyor. Bir sonraki somut adım, erişimin genişletilmesi. Böylece daha fazla içerik üreticisi ve geliştirici, modelin hangi kısa görevleri güvenilir biçimde yerine getirebildiğini görebilecek.

Öne Çıkanlar

  • Google DeepMind, ABD saatiyle 27 Ekim’de Genie 4’ü duyurdu; ilk aşamada güvenilirliği onaylanmış test kullanıcılarına erişim sağlandı.
  • Model; ortam sesleri, müzik ve kullanıcıya tepki veren konuşmalı diyaloglarla etkileşimli dünyalar oluşturuyor.
  • Google, sahne tutarlılığının iki dakikaya kadar sürdüğünü, bunun Genie 3’ün yaklaşık bir dakikalık sınırının iki katı olduğunu söylüyor.
  • Gemini modelleri eylemleri planlamaya, oluşturulan sahneleri izlemeye ve simülasyonları uyarlamaya yardımcı oluyor.
  • Planlanan kullanım alanları arasında film storyboard’ları, oyunlar, eğitim ve robot eğitimi bulunuyor.
  • Nesneler değişebiliyor, metinler okunaksız olabiliyor; karmaşık fizik ve ses doğruluğu geliştirme aşamasındaki zorluklar arasında.
  • Erişimin Project Genie, Gemini API ve Google AI Studio üzerinden sunulması planlanıyor; genişleme için kesin bir tarih veya geliştirici fiyatı henüz açıklanmadı.
Bu haberi paylaş

Bunlar da ilginizi çekebilir