Genie 4: mundos interactivos con sonido en vivo

Genie 4 crea mundos interactivos con sonido que se recorren con el teclado y se cambian con una frase escrita a mitad de la escena. Google DeepMind lo presentó el 27 de octubre como su nuevo modelo de mundo: el usuario pone un evento en marcha y el sistema simula qué pasa después, cómo suena el lugar y cómo reaccionan las personas que aparecen en él.

La diferencia con un generador de video se nota al primer minuto. Un clip se mira; un mundo se habita. La generación de video de Google ya había enseñado músculo con Veo 3 de Google, pero aquello era una pieza cerrada, con principio y final fijos. Aquí la escena sigue abierta mientras alguien la recorre, y cada orden escrita la mueve en otra dirección.

Un mundo que se mueve, suena y responde

DeepMind publicó que Genie 4 es su primer modelo de mundo en tiempo real que genera el audio de forma nativa. No hay una pista pegada al final del proceso: la música, los sonidos del entorno y las voces nacen junto con la imagen. El viento entre los árboles y las olas en una playa forman parte de la misma generación que dibuja el escenario.

El diálogo interactivo es la parte que más cambia la experiencia. Los personajes conversan y reaccionan a las entradas del usuario o a los eventos de la escena, en el momento.

La dirección de la escena funciona con lenguaje natural. DeepMind detalló que el usuario puede cambiar el clima, mover la cámara o introducir una persona o un objeto nuevo sin detener la simulación, y Gemini adapta esa orden al contexto para que encaje con lo que rodea la escena. Entre una orden y otra, el mismo Gemini vigila el desarrollo y corrige el rumbo para que el mundo avance con coherencia.

El realismo físico también recibió trabajo. La compañía habla de aerodinámica y colisiones simuladas con más precisión, y de un avance fuerte en la figura humana: personajes que se mueven con naturalidad, responden a su entorno y aceptan instrucciones en tiempo real. TechCrunch reportó que una escena se mantiene consistente hasta unos dos minutos, cerca del doble del límite de Genie 3.

Gemini vigila la escena desde dentro del bucle

La arquitectura reparte tareas. Gemini Omni ancla las simulaciones en la apariencia y el comportamiento del mundo real, mientras otros modelos de la familia Gemini aportan el razonamiento que sostiene la coherencia y la continuidad. Genie 4 pone la realidad física inmediata, píxel a píxel; Gemini ordena la estructura y el plan de lo que ocurre.

Dentro de ese reparto, Gemini 3.8 Flash actúa como agente guía en el bucle. Mientras Genie 4 genera el mundo, ese modelo observa la escena, divide los objetivos en una secuencia de pasos y revisa los fotogramas que entran para comprobar que cada paso se cumplió. Si el mundo cambia o el usuario interviene, el plan se ajusta en el acto.

DeepMind mostró esa combinación con Gemini 4 Argon en un experimento de robótica: el modelo parte una tarea dada por el usuario en pasos, esos pasos entran como textos dentro de la simulación mientras se genera, y Genie 4 representa al robot humanoide Apollo, de Apptronik, jugando una partida de damas. La escena se adapta sobre la marcha a medida que la tarea avanza hacia su objetivo.

Entrenar robots y prototipar juegos sin construir el escenario

Los probadores de confianza que ya trabajan con el modelo vienen de industrias creativas, periodismo, educación, videojuegos e ingeniería. Los cineastas lo usan como modo de borrador rápido: entran en una simulación viva de la escena y prueban tomas con cambios de cámara, luz, diálogo y acción al instante. Un equipo de foto periodismo exploró convertir una sola fotografía de archivo en un entorno dinámico y poblado en segundos.

Para los estudios de videojuegos, el atractivo es llegar a un prototipo explorable antes de escribir una línea de código del motor. Para la robótica, el valor está en entrenar agentes en entornos seguros y con variaciones casi infinitas, donde un error cuesta una simulación y no una máquina rota. Esa lectura la comparte MarkTechPost en su resumen técnico del anuncio.

Lo que todavía se le escapa a la simulación

La propia DeepMind marca los límites sin rodeos. Genie 4 sostiene entornos coherentes en sesiones cortas, pero los detalles visuales y la permanencia de los objetos pueden cambiar o desviarse con el tiempo, sobre todo en sesiones largas o con muchas ediciones acumuladas. Las interacciones físicas complejas, la precisión del audio en tiempo real, el texto legible dentro del mundo y la exactitud espacial siguen en la lista de trabajo abierto.

En el despliegue también hay contención: todo el video y el audio llevan SynthID, la marca de agua digital invisible de Google para identificar contenido creado con inteligencia artificial, y la vista previa pasó por evaluaciones internas de seguridad.

El acceso, por ahora, es estrecho: vista previa de investigación para probadores de confianza, con lista de espera abierta en Project Genie. DeepMind anunció que Genie 4 llegará pronto a los suscriptores de Google AI Ultra dentro de Project Genie y a los socios de acceso temprano de la API de Gemini y de Google AI Studio, sin fecha cerrada para el público general.

Fuente: Google DeepMind

Foto: Google DeepMind

La entrada Genie 4: mundos interactivos con sonido en vivo se publicó primero en Tecnología Geek.