Google DeepMind ha presentado Genie 4, un modelo de mundo capaz de generar simulaciones interactivas en tiempo real y, como gran novedad, con audio nativo. La compañía lo anunció el 27 de octubre en su blog. Por ahora es una vista previa de investigación abierta solo a probadores de confianza.
Vídeo oficial de presentación de Genie 4, publicado por Google DeepMind en YouTube.
Qué es un modelo de mundo y qué hace Genie 4
Un modelo de mundo es un sistema de IA que aprende a recrear las reglas visuales y físicas de un entorno para poder simularlo. A diferencia de un generador de vídeo, que entrega un clip cerrado, Genie 4 crea un mundo por el que el usuario se mueve con el teclado y que reacciona a lo que hace. Es una idea que ya abordamos al hablar de enseñar física a la IA con videojuegos.
La novedad principal es el audio generado de forma nativa: música, sonidos ambientales como el viento o el oleaje y diálogos interactivos que se adaptan en tiempo real. DeepMind lo presenta como su primer modelo de mundo en tiempo real que genera audio de este modo.
También se puede dirigir la simulación mientras corre. El usuario escribe órdenes para cambiar el clima, mover la cámara o añadir una persona o un objeto, y el sistema las integra en la escena. DeepMind destaca además una física más fiel, con aerodinámica y colisiones, y personajes que se mueven con más naturalidad.
Cómo se apoya en la familia Gemini
Genie 4 se construye sobre Gemini. Gemini Omni ancla la apariencia y el comportamiento al mundo real, y Gemini 3.8 Flash actúa como agente guía: observa la escena, descompone los objetivos en pasos y comprueba si cada uno se cumple, para que la simulación avance con coherencia cuando el usuario interviene. TechCrunch lo resume como un «director» que planifica mientras Genie dibuja.
En un experimento de robótica, un modelo que DeepMind denomina Gemini 4 Argon dividió una tarea en pasos que Genie 4 simuló en tiempo real: el humanoide Apollo, de Apptronik, jugando a las damas. TechCrunch lo presenta como una forma de probar escenarios antes de desplegar robots reales.
Para qué sirve, según DeepMind y sus probadores
Entre los usos que citan están la previsualización cinematográfica, con varias «tomas» sobre una misma escena en vivo, y la recreación histórica, como convertir una foto de archivo en un entorno simulado o mostrar inundaciones repentinas e incendios forestales. También el prototipado de videojuegos a partir de texto, la generación de escenarios para socios empresariales y la investigación en robótica. Es una apuesta por el audiovisual afín a Love, Rendered, el cortometraje de DeepMind sobre recuerdos no fotografiados.
Disponibilidad y límites
Genie 4 está en vista previa para probadores de confianza. DeepMind anuncia que llegará a los suscriptores de Google AI Ultra en Project Genie y a socios de acceso anticipado en la API de Gemini y Google AI Studio, aunque no indica en qué regiones. Todo el vídeo y el audio generados llevarán la marca de agua SynthID.
La propia compañía admite límites: los detalles y la permanencia de los objetos pueden derivar en sesiones largas o tras varias ediciones, y siguen en investigación las interacciones físicas complejas, la precisión del audio en tiempo real, el texto legible y la coherencia a largo plazo. Diego Rivas, ingeniero de DeepMind, reconoce que aún es pronto y que la experiencia de producto final no está clara. Tejas Kulkarni, director de investigación de Google, cree que veremos cada vez más «modelos de mundo híbridos».
Conviene tener presente que casi todo procede de la presentación de Google, sin pruebas independientes todavía. La competencia no se queda quieta: según TechCrunch, Runway lanzó hace un par de meses GWM Worlds 2, un modelo jugable que también genera audio.
La fotografía de representación de este artículo pertenece a Google y ha sido publicada en el anuncio oficial de Genie 4 en el blog de Google
