Genie 4: Google DeepMind añade sonido, voz y control por texto a su modelo de mundo
El nuevo modelo de mundo de Google DeepMind genera en tiempo real entornos fotorrealistas con su banda sonora y personajes que hablan. Por ahora solo está abierto a probadores seleccionados, con lista de espera.
Google DeepMind presentó este martes 27 de octubre Genie 4, la nueva generación de su «modelo de mundo»: un sistema que no produce un vídeo fijo, sino un entorno que se explora en tiempo real y que reacciona a lo que uno hace. El anuncio cayó en X a las 17:10, hora de París, acompañado de una entrada de blog firmada por Raia Hadsell, Diego Rivas y Hang Qi.
Nadie puede probarlo todavía libremente: Genie 4 es una vista previa de investigación reservada a probadores elegidos por Google. Debe llegar «pronto» a los suscriptores de Google AI Ultra, en la aplicación Project Genie, y a socios en acceso anticipado de la API Gemini y de Google AI Studio. Hay una lista de espera abierta.
Lo que cambia: el sonido y la voz
La novedad más clara es el audio nativo. DeepMind presenta Genie 4 como su primer modelo de mundo en tiempo real que genera el sonido al mismo tiempo que la imagen: el viento en los árboles, las olas, la música tocada en la escena. Sobre todo, los personajes pueden hablar y responder al usuario o a los eventos, con diálogos que se adaptan sobre la marcha. Google reconoce él mismo que la fidelidad del audio en tiempo real sigue siendo un tema de investigación.
Un mundo que se pilota por escrito
El usuario se desplaza y orienta la cámara con el teclado, y modifica la escena en lenguaje natural: hacer caer la lluvia, mover la cámara, hacer entrar a una persona o un objeto. Aquí es donde entra Gemini. Genie 4 se apoya en Gemini Omni para anclar las imágenes en una apariencia y un comportamiento realistas, mientras que otros modelos Gemini sirven de «cerebro»: traducen las peticiones en acciones, planifican los eventos en varias etapas y vigilan la escena para que siga siendo coherente entre dos instrucciones.
DeepMind también destaca la física (aerodinámica, colisiones) y la forma en que los personajes se mueven y reaccionan, que describe como el progreso más espectacular. Estas afirmaciones se basan por ahora en las demostraciones elegidas por Google.
Para qué debe servir
Google cita a probadores en el cine (previsualización de una escena, varias «tomas» en directo cambiando el ángulo, la luz o el diálogo), el videojuego (pasar de una idea a un prototipo explorable antes de escribir código), la educación y el fotoperiodismo, donde una foto de archivo puede convertirse en un entorno simulado. El otro uso, más estratégico, es el entrenamiento de agentes y robots en entornos variados: la entrada muestra Genie 4 asociado a Gemini 4 Argon para simular un humanoide Apollo de Apptronik jugando a las damas.
Los límites reconocidos
Google califica Genie 4 de modelo «temprano y experimental». Los detalles visuales y la permanencia de los objetos pueden desviarse cuando la sesión se alarga, tras varias modificaciones complejas o al desplazarse por la escena. Las interacciones físicas complejas, el texto legible, la precisión espacial y la coherencia a lo largo del tiempo quedan por mejorar. Google no da ni precio, ni fecha precisa, ni resolución, ni duración máxima de sesión. En cuanto a seguridad, todas las imágenes y todos los sonidos producidos llevan la marca de agua invisible SynthID, y el modelo aplica las mismas normas de contenido que los demás modelos de Google.
Nuestro análisis
Genie 4 lleva el modelo de mundo de la etapa de curiosidad visual a la de una herramienta que se parece a un motor de juego controlado por la voz: imagen, sonido, personajes que responden y guion sostenido por Gemini. Es un verdadero salto sobre el papel, pero todo queda por verificar fuera de las demostraciones, y Google no se compromete con ninguna fecha. Para los creadores, el interés inmediato es la previsualización; para Google, el reto es más amplio: fabricar a voluntad mundos simulados para entrenar a sus agentes y sus robots. La comparación con los modelos de mundo competidores solo será posible cuando el acceso se abra, más allá de los probadores.
Fuentes
- Google DeepMind — Genie 4: A new generation of world simulation Fuente primaria
- Google DeepMind (X) — anuncio de Genie 4 Fuente primaria
- Google AI (X) — disponibilidad, salvaguardas y SynthID Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
