Genie 4: Google का AI बनाता है आवाज़ वाली दुनिया, जिसे शब्दों से बदला जा सकता है

Genie 4, Google DeepMind का नया वर्ल्ड मॉडल है—और इसकी बनाई दुनिया अब सचमुच आवाज़ें भी निकालती है। किसी दृश्य का एक वाक्य में वर्णन कीजिए या उसे संदर्भ के लिए कोई तस्वीर दीजिए; मॉडल ऐसी जगह तैयार करता है, जहाँ आप कीबोर्ड से घूम सकते हैं और साथ ही पेड़ों में बहती हवा, समुद्र तट पर उठती लहरों और वहाँ मौजूद लोगों की आवाज़ें सुन सकते हैं। अब ये लोग ऐसी बातचीत भी कर सकते हैं, जो आपके किए पर प्रतिक्रिया देती है। DeepMind के मुताबिक, यही इस रिलीज़ की असली अगली सीमा है।

पहले के संस्करण आज़मा चुके लोगों के लिए सबसे बड़ा बदलाव है—दुनिया पर नियंत्रण। आप मौसम बदलने, कैमरे का रुख घुमाने या दृश्य में कोई नया व्यक्ति अथवा वस्तु लाने का निर्देश लिख सकते हैं। Gemini आपकी बात को इस तरह दोबारा गढ़ता है कि वह स्क्रीन पर पहले से मौजूद चीज़ों के अनुरूप हो। आपके निर्देशों के बीच Gemini सिमुलेशन को संभालता रहता है, ताकि दुनिया बिखर न जाए। इसका अनुभव वीडियो गेम खेलने से कम और ऐसे फिल्म सेट का निर्देशन करने जैसा ज़्यादा है, जहाँ कैमरा लगातार चलता रहता है—और कुछ शुरुआती परीक्षक पहले से ही इसका इस्तेमाल इसी तरह कर रहे हैं।

Gemini दृश्य की योजना बनाता है, Genie उसे रचता है

Genie 4, Google के मॉडल परिवार के बाकी हिस्सों पर भी निर्भर करता है। DeepMind की घोषणा के मुताबिक, Gemini Omni हर सिमुलेशन को वास्तविक दुनिया के रूप-रंग और व्यवहार से जोड़ता है, जबकि दूसरे Gemini मॉडल यह सुनिश्चित करने के लिए तर्क-विचार करते हैं कि दृश्य एक पल से अगले पल तक सुसंगत बना रहे। Gemini 3.8 Flash इस प्रक्रिया में मार्गदर्शक एजेंट की भूमिका निभाता है: वह Genie 4 के बनाए दृश्य को देखता है, किसी लक्ष्य को चरणों में बाँटता है, आने वाले फ़्रेम जाँचकर पुष्टि करता है कि हर चरण सफल रहा या नहीं, और आपके बीच में निर्देश बदलने पर योजना भी बदल देता है।

DeepMind का कहना है कि सबसे बड़ी छलाँग किरदारों में दिखती है। वे ज़्यादा स्वाभाविक ढंग से चलते हैं, अपने आसपास के माहौल पर प्रतिक्रिया देते हैं और सिमुलेशन जारी रहते हुए भी उन्हें दिशा दी जा सकती है। मॉडल वायुगतिकी और टक्कर जैसे भौतिकी के पहलुओं को भी संभालता है। कंपनी के ब्लॉग पर दिए डेमो में एक मेपल का बीज घूमता हुआ घास पर उतरता है, 1980 के दशक के जापान का एक भीड़भरा ग्रामीण रेलवे स्टेशन दिखता है और बिजली जैसी तेज़ पंखों की आवाज़ों के साथ प्रथम-पुरुष दृष्टिकोण से ड्रैगन रेस नज़र आती है—इन सबकी आवाज़ Genie 4 ने ही बनाई है। Genie 3 ने 720p और 24 फ़्रेम प्रति सेकंड पर बिना आवाज़ वाली दुनिया बनाई थी; इस बार DeepMind ने रिज़ॉल्यूशन या फ़्रेम रेट के आँकड़े जारी नहीं किए हैं, इसलिए सुधार का अंदाज़ा केवल उसके अपने वीडियो क्लिप देखकर ही लगाया जा सकता है।

लक्ष्य सिर्फ़ गेम बनाना नहीं है। DeepMind का कहना है कि दुनिया का सिमुलेशन करना आर्टिफ़िशियल जनरल इंटेलिजेंस की दिशा में एक अहम कदम है। एक डेमो में Genie 4 और Gemini 4 Argon मिलकर Apptronik के Apollo ह्यूमनॉइड रोबोट को चेकर्स खेलते हुए दिखाते हैं। Argon काम को चरणों में बाँटता है और दृश्य रेंडर होते समय टेक्स्ट कैप्शन के रूप में वे निर्देश Genie 4 को भेजता है। रोबोट और सॉफ़्टवेयर एजेंटों के लिए सुरक्षित, लगातार बदलते अभ्यास-जगत तैयार करना इसका दीर्घकालीन कारोबारी लक्ष्य है—किसी Genie गेम को बेचने से बहुत पहले।

फ़िल्मकारों और फ़ोटो-पत्रकारों को मिला पहला मौका

DeepMind रचनात्मक उद्योगों, पत्रकारिता, शिक्षा, गेमिंग और इंजीनियरिंग से जुड़े समूहों के साथ Genie 4 का परीक्षण कर रहा है। फ़िल्मकार इसे प्री-विज़ुअलाइज़ेशन के शुरुआती मसौदे की तरह इस्तेमाल करते हैं: वे लाइव दृश्य के भीतर जाकर कई टेक लेते हैं और इस दौरान कैमरे के कोण, रोशनी, संवाद और गतिविधियाँ बदलते रहते हैं। गेम डेवलपर इंजन कोड की एक भी पंक्ति लिखने से पहले, कुछ ही सेकंड में किसी विचार से एक ऐसा शुरुआती नमूना बना सकते हैं, जिसे खोजा-परखा जा सके। कारोबारी क्षेत्र के साझेदार इसे तेज़ी से अलग-अलग परिदृश्य तैयार करने के लिए आज़मा रहे हैं।

सबसे नाज़ुक प्रयोग फ़ोटो-पत्रकारों के साथ हो रहा है। वे यह जाँच रहे हैं कि किसी एक पुरानी तस्वीर से कुछ ही सेकंड में उस जगह का सिमुलेटेड रूप कैसे बनाया जा सकता है—जहाँ लोग मौजूद हों और गतिविधियाँ चल रही हों। DeepMind यह भी बताता है कि अचानक आई बाढ़ या जंगल की आग कैसे फैलती है, इसे दृश्य रूप में दिखाया जा सकता है। किसी वास्तविक ऐतिहासिक सड़क पर विश्वसनीय ढंग से घूमना और वहाँ काल्पनिक लोगों को बोलते सुनना, एक विश्वसनीय जालसाज़ी भी हो सकती है। DeepMind का जवाब है SynthID—वह अदृश्य वॉटरमार्क, जिसे Genie 4 अपने बनाए हर वीडियो और ऑडियो में जोड़ता है—साथ ही आंतरिक सुरक्षा मूल्यांकन और चरणबद्ध उपलब्धता। SynthID तभी मददगार है, जब प्लेटफ़ॉर्म और दर्शक वास्तव में उसे पहचानने वाला टूल चलाएँ; और स्क्रीन पर ऐसा कुछ नहीं दिखता, जिससे आम दर्शक जान सके कि फ़ुटेज कृत्रिम रूप से बनाया गया है।

दुनिया का रूप अब भी बदलता रहता है

अपनी सीमाओं के बारे में DeepMind असामान्य रूप से साफ़गोई बरतता है। Genie 4 छोटे सत्रों के दौरान परिवेश को एकसार बनाए रखता है, लेकिन सिमुलेशन लंबे समय तक चलने पर, कई जटिल निर्देश-संपादनों के बाद या दृश्य में घूमते हुए, दृश्य विवरण और वस्तुओं का लगातार मौजूद बने रहना बदल सकता है। जटिल भौतिक अंतःक्रियाएँ, वास्तविक समय में सटीक ऑडियो, पढ़ने योग्य टेक्स्ट, स्थानिक सटीकता और लंबे समय तक एकरूपता—इन सभी को अब भी अनसुलझी शोध समस्याओं में गिना गया है। सीधे शब्दों में कहें तो, एक मिनट पहले आपके पास से गुज़री किताबों की अलमारी लौटकर देखने पर शायद वही न हो।

अभी ज़्यादातर लोगों के लिए इसे आज़माने का कोई रास्ता भी नहीं है। Genie 4 एक रिसर्च प्रीव्यू है, जो फ़िलहाल केवल भरोसेमंद परीक्षकों तक सीमित है। Google का कहना है कि यह जल्द ही Google AI Ultra ग्राहकों के लिए Project Genie के ज़रिए उपलब्ध होगा—यह दुनिया तैयार करने वाला उसका वेब ऐप है। Gemini API और Google AI Studio के शुरुआती पहुँच वाले साझेदारों को भी इसका इस्तेमाल करने का मौका मिलेगा; प्रतीक्षा सूची पहले से खुली है। रिलीज़ की कोई तारीख़ नहीं बताई गई है, Ultra सदस्यता से अलग कोई कीमत नहीं बताई गई है—यह Google का सबसे महँगा AI प्लान है—और यह भी नहीं बताया गया है कि शुरुआत किन देशों से होगी। 29 जनवरी, 2026 को जब Project Genie, Genie 3 के साथ शुरू हुआ था, तब यह केवल अमेरिका में रहने वाले 18 वर्ष और उससे अधिक उम्र के Ultra ग्राहकों के लिए खुला था और सत्रों की अवधि 60 सेकंड तक सीमित थी।

DeepMind ने Genie 4 की घोषणा 27 अक्टूबर, 2026 को एक पोस्ट में की, जिस पर रायया हैडसेल (Raia Hadsell), डिएगो रीवास (Diego Rivas) और हैंग ची (Hang Qi) के नाम थे। इसकी शुरुआत फ़रवरी 2024 में ऐसे मॉडल से हुई थी, जो तस्वीरों को साधारण 2D प्लेटफ़ॉर्म गेम में बदलता था। दिसंबर 2024 में Genie 2 के साथ यह 3D तक पहुँचा और अगस्त 2025 में Genie 3 के साथ वास्तविक समय में खोजबीन करने की क्षमता तक। हर पीढ़ी ने कुछ नया जोड़ा: पहले तीसरा आयाम, फिर वास्तविक समय में आवाजाही, और अब ध्वनि और बातचीत। Genie 4 को अब भी यह साबित करना है कि कोई दुनिया कॉफ़ी ब्रेक से ज़्यादा देर तक अपनी यादें सँभाल सकती है।

टैग: Google, Gemini, आर्टिफिशियल इंटेलिजेंस, Google DeepMind, Genie 4, Project Genie