Genie 4: Google DeepMind aggiunge audio, voce e controllo testuale al suo modello di mondo

Google DeepMind ha presentato questo martedì 27 ottobre Genie 4, la nuova generazione del suo «modello di mondo»: un sistema che non produce un video statico, ma un ambiente che si esplora in tempo reale e che reagisce a ciò che si fa. L’annuncio è arrivato su X alle 17:10, ora di Parigi, accompagnato da un post sul blog firmato Raia Hadsell, Diego Rivas e Hang Qi.

Nessuno può ancora provarlo liberamente: Genie 4 è un’anteprima di ricerca riservata a tester selezionati da Google. Dovrebbe arrivare «presto» agli abbonati Google AI Ultra, nell’applicazione Project Genie, e ai partner in accesso anticipato all’API Gemini e a Google AI Studio. Una lista d’attesa è aperta.

Cosa cambia: audio e voce

La novità più netta è l’audio nativo. DeepMind presenta Genie 4 come il suo primo modello di mondo in tempo reale che genera il suono insieme all’immagine: il vento tra gli alberi, le onde, la musica suonata nella scena. Soprattutto, i personaggi possono parlare e rispondere all’utente o agli eventi, con dialoghi che si adattano al volo. Google riconosce da sé che la fedeltà dell’audio in tempo reale resta un tema di ricerca.

Un mondo che si pilota per iscritto

L’utente si sposta e orienta la fotocamera con la tastiera, e modifica la scena in linguaggio naturale: far cadere la pioggia, spostare la fotocamera, far entrare una persona o un oggetto. È qui che entra in gioco Gemini. Genie 4 si basa su Gemini Omni per ancorare le immagini a un aspetto e a un comportamento realistici, mentre altri modelli Gemini fungono da «cervello»: traducono le richieste in azioni, pianificano gli eventi in più fasi e sorvegliano la scena affinché resti coerente tra un’istruzione e l’altra.

DeepMind mette anche in evidenza la fisica (aerodinamica, collisioni) e il modo in cui i personaggi si muovono e reagiscono, che descrive come il progresso più spettacolare. Queste affermazioni si basano per ora sulle dimostrazioni scelte da Google.

A cosa deve servire

Google cita tester nel cinema (previsualizzazione di una scena, diverse «riprese» dal vivo cambiando l’angolo, la luce o il dialogo), nei videogiochi (passare da un’idea a un prototipo esplorabile prima di scrivere codice), nell’educazione e nel fotogiornalismo, dove una foto d’archivio può diventare un ambiente simulato. L’altro uso, più strategico, è l’addestramento di agenti e robot in ambienti vari: il post mostra Genie 4 associato a Gemini 4 Argon per simulare un umanoide Apollo di Apptronik che gioca a dama.

I limiti riconosciuti

Google qualifica Genie 4 come modello «precoce e sperimentale». I dettagli visivi e la permanenza degli oggetti possono deviare quando la sessione si allunga, dopo diverse modifiche complesse o quando ci si sposta nella scena. Le interazioni fisiche complesse, il testo leggibile, la precisione spaziale e la coerenza nel tempo restano da migliorare. Google non fornisce né prezzo, né data precisa, né risoluzione, né durata massima della sessione. Sul fronte sicurezza, tutte le immagini e i suoni prodotti recano la filigrana invisibile SynthID, e il modello applica le stesse regole di contenuto degli altri modelli di Google.