LO ESENCIAL EN 30 SEGUNDOS

  • Genie 4 genera a la vez vídeo, sonido ambiente, música y diálogos; DeepMind afirma que es el primer modelo de mundo en tiempo real con audio nativo.
  • Se puede modificar una escena en marcha con instrucciones de texto, como cambiar el clima o añadir un personaje.
  • Es una vista previa de investigación para probadores de confianza; está previsto el acceso vía Project Genie (Google AI Ultra) y la API de Gemini.

Google DeepMind ha presentado Genie 4, la nueva versión de su «modelo de mundo»: un sistema que genera en tiempo real un entorno explorable e interactivo, en lugar de un vídeo cerrado. El laboratorio lo describe como un modelo temprano y experimental, y de momento solo pueden usarlo probadores de confianza.

Qué hay de nuevo

La gran novedad es el sonido. Según DeepMind, Genie 4 produce sonido ambiente, música y diálogos al mismo tiempo que la imagen, y el laboratorio lo presenta como el primer modelo de mundo en tiempo real que genera audio de forma nativa. Su predecesor, Genie 3, creaba escenas mudas.

El usuario se desplaza con los controles de teclado habituales y puede escribir instrucciones mientras la simulación avanza —cambiar el clima, mover la cámara, añadir una persona o un objeto— sin reiniciarla. DeepMind explica que Gemini 3.8 Flash actúa como agente guía: observa la escena, divide los objetivos en pasos y ajusta el plan cuando el mundo o las órdenes cambian. La compañía asegura además una física más creíble, con colisiones y aerodinámica, y personajes que reaccionan a su entorno.

Quién puede usarlo

Genie 4 es una vista previa de investigación. DeepMind planea abrirlo a los suscriptores de Google AI Ultra mediante Project Genie y a socios de acceso anticipado de la API de Gemini y Google AI Studio; hay una lista de espera. No se han anunciado fechas, regiones ni precios para desarrolladores. Startup Fortune recuerda que Project Genie exigía hasta ahora la suscripción AI Ultra, la más alta de Google.

Según DeepMind, los probadores lo usan para previsualización cinematográfica, para convertir fotos de archivo en escenas explorables, para prototipar videojuegos y para crear escenarios simulados para empresas. El vídeo y el audio generados llevan la marca de agua SynthID.

Limitaciones

DeepMind reconoce sus puntos débiles: los detalles visuales y la permanencia de los objetos pueden desviarse en sesiones largas, tras varias ediciones o durante la navegación. Las interacciones físicas complejas, la precisión del audio, el texto legible, la exactitud espacial y la coherencia a largo plazo siguen siendo retos de investigación. El anuncio tampoco indica duración de sesión, resolución ni fotogramas por segundo, lo que dificulta compararlo con Genie 3 (720p a 24 fps) hasta que haya pruebas independientes.