Google DeepMind Genie 4, 오디오 포함 인터랙티브 세계 생성 공개

Google DeepMind는 2026년 10월 27일 Genie 4를 공개했다. 이 모델은 소리, 음악, 대화를 이미지와 함께 실시간으로 생성하며 탐색 가능한 환경을 만들어낸다. 사용자는 키보드와 마우스로 세계를 이동하고, 시뮬레이션이 실행되는 도중에도 자연어로 장면을 바꿀 수 있다. 현재는 선별된 소수의 테스터만 이용 가능하며, Google AI Ultra 구독자와 API 파트너에 대한 접근은 “출시 예정”으로만 공지된 상태다. DeepMind 스스로도 오브젝트 일관성과 물리 시뮬레이션에 한계가 있음을 공식 문서에 명시하고 있다.

본 기사는 Raia Hadsell. Diego Rivas, Hang Qi가 서명한 DeepMind의 공식 발표문, Google 블로그 포스트, 모델 페이지를 바탕으로 작성했다. X 포스트는 AI Lately가 게재한 임베드를 통해 내용을 확인했으며, YouTube 데모는 직접 재생할 수 없었다. Genie 3의 사양은 2025년 8월 The Decoder의 보도를 참고했다.

Genie 4는 무엇을 하는가

Genie 4는 세계 모델(world model)이다. 단순히 영상을 재생하는 것이 아니라, 명령에 반응하는 환경을 프레임 단위로 생성한다. 텍스트나 참조 이미지를 첫 번째 프레임으로 삼아 시작하며, 키보드 명령으로 이동과 카메라 앵글을 조작한다. 세션 도중에는 날씨를 바꾸거나 사람·사물을 추가할 수도 있다. DeepMind에 따르면 Gemini 모델이 각 요청을 장면에 맞게 조정하고, 명령과 명령 사이에도 세계가 자연스럽게 이어지도록 한다.

Genie 4는 Gemini 패밀리를 기반으로 한다. Gemini Omni는 장면의 외형과 실제 세계의 물리적 동작을 고정시키고, 다른 Gemini 모델들이 시뮬레이션의 일관성을 유지하는 추론을 담당한다. 이 패밀리는 Google이 기업용 업무 자동화에 적용하고 있는 Gemini 에이전트와 같은 기반이며. 해당 서비스 역시 제한된 프리뷰 단계에 있다.

핵심 업그레이드: 네이티브 오디오

DeepMind는 Genie 4를 실시간으로 오디오를 네이티브 방식으로 생성할 수 있는 최초의 세계 모델로 소개한다. 각 환경에는 고유한 배경음과 음악이 있으며, 등장인물이 직접 대화하고 그 대화는 명령과 이벤트에 맞게 동적으로 변한다.

이것이 2025년 8월에 발표된 Genie 3와의 결정적 차이다. The Decoder의 보도에 따르면. Genie 3는 720p 해상도와 초당 24프레임으로 세계를 생성했으며. 최대 1분간의 시각적 기억과 텍스트 기반 장면 전환(promptable world events)을 지원했지만 오디오는 없었다. Genie 4에 대해 DeepMind는 해상도. 초당 프레임 수, 지속 시간 등 수치 지표를 일절 공개하지 않았고, 이전 버전과의 정량적 비교도 제공하지 않았다. 모델 페이지에는 “몇 분간의 연속 인터랙션”이라는 표현만 있을 뿐이다.

비디오가 아닌 인터랙티브 프로토타입

결과적으로, 이 구분은 Genie 4의 용도를 이해하는 데 중요하다. 영상 생성기는 완성된 클립을 출력하지만, Genie 4는 조작자의 입력에 반응하는 장면을 만들어낸다. DeepMind가 제시하는 구체적 활용 사례는 다양하다.

• 라이브 시뮬레이션에서 여러 컷을 촬영하는 영화 감독의 사전 시각화
• 단일 아카이브 사진을 탐색 가능한 환경으로 전환하는 포토저널리스트
• 텍스트에서 시각 스타일과 게임 메커니즘을 테스트하는 개발자
• 시나리오 신속 생성을 평가하는 기업 파트너

이러한 흐름은 Adobe와 NVIDIA가 가속화하고 있는 크리에이터 도구와도 맞닿아 있다. 전략적으로 더 주목받는 영역은 에이전트와 로봇을 위한 시뮬레이션이다. 발표에 따르면 Gemini 3.8 Flash는 프레임을 관찰하고, 목표를 단계별로 분해하며, 세계가 변하거나 사용자가 개입할 때 계획을 수정한다. 별도의 데모에서는 Gemini 4 Argon이 Genie 4와 협력해 Apptronik의 로봇 Apollo와 함께 체커 게임 작업을 수행한다. 생성된 세계에서 에이전트를 훈련한다는 아이디어는 NVIDIA와 LG의 피지컬 AI와 같은 방향이지만. 데모와 실제 생산 라인 사이의 거리는 공장의 휴머노이드 로봇 사례가 잘 보여주듯 여전히 멀다.

DeepMind가 직접 명시한 한계

발표문은 약점을 숨기지 않는다. 시각적 세부 묘사와 오브젝트의 지속성은 특히 장시간 세션. 텍스트로 여러 차례 수정한 경우, 또는 장면 이동 중에 불안정해질 수 있다. 복잡한 물리적 상호작용, 실시간 오디오 정확도, 판독 가능한 텍스트, 공간적 정밀도, 장기적 일관성 등은 여전히 연구 대상으로 남아 있다.

모델 페이지에는 세 가지 추가 한계가 명시되어 있다. 첫째는 같은 환경 안에서 여러 에이전트와 여러 사용자 간의 상호작용 문제다. 둘째는 실제 장소를 정밀하게 재현할 수 없다는 점이다. 셋째는 세션 지속 시간으로, 확장된 세션이 아니라 수 분에 불과하다. 공개된 안내문은 영상이 실제 세션을 축약한 것이며 결과물은 설명 목적임을 밝히고 있다. 독립적인 벤치마크나 외부 평가는 존재하지 않으며, 공개된 내용은 어디까지나 기업 시연이다.

누가, 언제 사용할 수 있나

짧게 답하면, 지금 당장은 거의 없다. 현재 이 모델은 신뢰할 수 있는 테스터를 대상으로 리서치 프리뷰 단계에 있으며, 대기 목록은 공개되어 있다. 이후에는 Project Genie 내 Google AI Ultra 구독자. 그리고 Gemini API와 AI Studio에 조기 접근하는 파트너 순으로 확대될 예정이다. 구체적인 날짜도, 지원 국가도 아직 공표되지 않았다.

선례를 보면 기대치를 가늠하는 데 도움이 된다. Project Genie는 2026년 1월 29일 Genie 3와 함께 출시되었으며. PetaPixel 보도에 따르면 당시 미국 내 성인 Ultra 구독자에게만 제공되었고 요금은 월 250달러, 생성 시간은 60초로 제한되었다. 그 범위가 이후 확대되었는지는 확인되지 않는다. DeepMind는 Genie 4가 생성하는 모든 영상과 오디오에 SynthID 워터마크를 적용한다고 밝혔다. 이 조치는 생성형 AI 사용으로 인해 Nikon 시상에서 수상 후 실격 처리된 영상 사례처럼 진위 논란이 이어지는 상황에서 더욱 주목받고 있다.

Genie 4 요약

확인된 것과 확인되지 않은 것

• 확인됨: 네이티브 오디오를 갖춘 실시간 월드 모델, 세션 중 텍스트로 수정 가능한 장면, 선별된 테스터 대상 프리뷰, 영상 및 오디오 전반에 적용되는 SynthID 워터마크, 오브젝트, 물리, 오디오, 세션 지속 시간에 관한 공식 고지 한계.
• 미공개: 해상도, 초당 프레임 수, 분 단위 세션 길이, 지원 국가 및 출시 일정, API 가격, 벤치마크 또는 독립적 평가.
• 지켜볼 사항: Project Genie에서 Ultra 구독자 및 API 파트너로 접근이 확대되는 시점, 그리고 일관성과 물리 정확도에 관한 최초의 독립적 검증 결과.

더 넓은 시각에서 본 의미

SpazioCrypto의 시각으로 보면, Genie 4는 생성형 AI 경쟁의 축을 “클립”에서 “세계”로 이동시킨다. 영상은 감상하는 것이고, 환경은 사용하는 것이다. 게임 레벨을 체험하거나, 장면을 촬영하거나, 에이전트를 훈련시키는 식으로 말이다. 바로 이 때문에 공식 고지된 한계가 영상 생성기보다 훨씬 크게 작용한다. 클립에서 오브젝트가 사라지면 시각적 결함이지만, 로봇이나 에이전트 시뮬레이터에서 같은 일이 벌어지면 잘못된 데이터가 된다. 현 단계의 가치는 신속한 프로토타이핑에 있지, 신뢰할 수 있는 시뮬레이션에 있지 않다.

주시해야 할 신호는 세 가지다. 첫째, 테스터를 넘어 언제 어디서 접근이 확대될 것인지, 그리고 세션 지속 시간은 어떻게 바뀔 것인지. 둘째, 현재는 부재한 오브젝트 지속성, 일관성, 물리 정확도에 관한 독립적 평가가 나올 것인지. 셋째, 사용자를 대신해 컴퓨터에서 작동하는 에이전트와의 결합이 시연 수준을 넘어 실제 업무 흐름으로 이어질 수 있을지 여부다.