Genie 4: Google DeepMind adiciona som, fala e controle por texto ao seu modelo de mundo

Google DeepMind apresentou nesta terça-feira, 27 de outubro, o Genie 4, a nova geração do seu “modelo de mundo”: um sistema que não produz um vídeo parado, mas um ambiente que se explora em tempo real e que reage ao que se faz. O anúncio caiu no X às 17h10, horário de Paris, acompanhado de um post no blog assinado por Raia Hadsell, Diego Rivas e Hang Qi.

Ninguém ainda pode experimentá-lo livremente: o Genie 4 é uma prévia de pesquisa reservada a testadores escolhidos pelo Google. Deve chegar “em breve” aos assinantes Google AI Ultra, no aplicativo Project Genie, e a parceiros em acesso antecipado da API Gemini e do Google AI Studio. Uma lista de espera está aberta.

O que muda: o som e a fala

A novidade mais clara é o áudio nativo. A DeepMind apresenta o Genie 4 como seu primeiro modelo de mundo em tempo real que gera o som junto com a imagem: o vento nas árvores, as ondas, a música tocada na cena. Sobretudo, os personagens podem falar e responder ao usuário ou aos eventos, com diálogos que se adaptam na hora. O próprio Google reconhece que a precisão do áudio em tempo real ainda é um tema de pesquisa.

Um mundo que se controla por escrito

O usuário se move e orienta a câmera pelo teclado, e modifica a cena em linguagem natural: fazer chover, mover a câmera, fazer entrar uma pessoa ou um objeto. É aqui que o Gemini entra. O Genie 4 se apoia no Gemini Omni para ancorar as imagens em uma aparência e um comportamento realistas, enquanto outros modelos Gemini servem de “cérebro”: eles traduzem os pedidos em ações, planejam os eventos em várias etapas e monitoram a cena para que ela permaneça coerente entre duas instruções.

A DeepMind também destaca a física (aerodinâmica, colisões) e a forma como os personagens se movem e reagem, que descreve como o progresso mais espetacular. Essas afirmações baseiam-se, por enquanto, nas demonstrações escolhidas pelo Google.

Para que isso deve servir

O Google cita testadores no cinema (pré-visualização de uma cena, várias “tomadas” ao vivo mudando o ângulo, a luz ou o diálogo), no videogame (passar de uma ideia a um protótipo explorável antes de escrever código), na educação e no fotojornalismo, onde uma foto de arquivo pode se tornar um ambiente simulado. O outro uso, mais estratégico, é o treinamento de agentes e robôs em ambientes variados: o post mostra o Genie 4 associado ao Gemini 4 Argon para simular um humanoide Apollo da Apptronik jogando damas.

Os limites reconhecidos

O Google qualifica o Genie 4 como modelo “precoce e experimental”. Os detalhes visuais e a permanência dos objetos podem variar quando a sessão se alonga, após várias modificações complexas ou quando se desloca na cena. As interações físicas complexas, o texto legível, a precisão espacial e a coerência ao longo do tempo ainda precisam melhorar. O Google não dá nem preço, nem data precisa, nem resolução, nem duração máxima de sessão. Do lado da segurança, todas as imagens e sons produzidos carregam a marca d’água invisível SynthID, e o modelo aplica as mesmas regras de conteúdo que os outros modelos do Google.