Google presenta Genie 4: modelo de mundo en tiempo real con audio amplía los límites de la simulación interactiva
De Genie 3 a Genie 4: el último avance de Google en modelado de mundos
Google DeepMind lanzó Genie 4, su nuevo modelo generativo de mundos, en una vista previa de investigación el martes. El sistema produce los entornos virtuales más fotorrealistas e interactivos vistos hasta la fecha, permitiendo a los usuarios escribir indicaciones durante una simulación para modificar la escena en tiempo real. Además, Genie 4 genera audio sincronizado que refleja el mundo simulado, incluyendo música, sonidos ambientales y diálogo interactivo.
El lanzamiento de Genie 4 sigue un lanzamiento similar de la startup de video de IA Runway, que presentó GWM Worlds 2 hace un par de meses. Ese modelo también responde dinámicamente a las entradas del usuario e incluye generación de audio. Mientras tanto, el sector de los modelos de mundo se está consolidando: AMD está adquiriendo World Labs de Fei-Fei Li, Amazon está en conversaciones para comprar Decart, y Rivian ha comprado Third Dimension para incorporar capacidades de simulación internas para pruebas de conducción autónoma.
Genie 4 se basa en su predecesor, Genie 3, que se presentó como una vista previa de investigación hace poco más de un año. Aunque Genie 3 ya ofrecía un mayor fotorrealismo e introdujo el audio, Genie 4 añade ediciones libres como cambiar el clima o el ángulo de la cámara en tiempo real e insertar nuevos personajes u objetos. Puede mantener una escena coherente durante hasta dos minutos —el doble del límite de Genie 3— y ofrece una física mejorada y avatares más similares a los humanos.
Gemini, el modelo de lenguaje de gran tamaño de Google, ahora está estrechamente integrado con Genie 4, actuando como director que outlinea los pasos y valida los fotogramas mientras Genie renderiza los visuales. En una demostración vinculada a Gemini Robotics, una instancia de Gemini 4 Argon descompuso una tarea en subpasos que Genie 4 simuló instantáneamente. El experimento ilustra cómo los escenarios robóticos podrían ensayarse en simulación antes de su ejecución en el mundo real.
“Lo que veremos cada vez más en el futuro son estos modelos de mundo híbridos, donde tienes una combinación de Gemini escribiendo código y texto, y Genie ingiriendo eso en tiempo real y simulando la realidad en diferentes niveles de abstracción”, Tejas Kulkarni, director de investigación de Google, dijo durante una sesión informativa.
Las posibles aplicaciones comerciales reflejan las de los modelos de mundo anteriores: juegos, educación interactiva y robótica. Un caso de uso imaginativo prevé la posibilidad de entrar en una pintura de un evento histórico y conversar con las figuras representadas. Los probadores de confianza —aquellos que tienen acceso anticipado a los productos más avanzados de Google— también han sugerido que la naturaleza en tiempo real de Genie 4 podría agilizar el prototipado cinematográfico.
“El aspecto en tiempo real se vuelve más valioso en las áreas donde mantener un estado de flujo en el espacio creativo resulta increíblemente útil”, Diego Rivas, ingeniero de Google DeepMind, dijo durante una sesión de prensa. “Por ejemplo, en la fase de ideación, en la fase de guion gráfico —cualquier momento en que necesites una ideación rápida”.
La herramienta de video de IA existente de Google, Veo, ya crea clips de alta definición con audio sincronizado integrado a partir de indicaciones de texto, imagen o video, una función que ha ganado popularidad entre los cineastas. De cara al futuro, Rivas señaló que los usuarios podrían eventualmente depender de Gemini Omni, un modelo de lenguaje multimodal capaz de generar video a partir de imágenes, audio y texto, para transformar estos prototipos en activos creativos pulidos. Advirtió que estas capacidades aún están lejos de ser una realidad.
A pesar de sus avances, Genie 4 todavía tiene limitaciones. Los detalles y los objetos pueden desviarse a medida que se extiende una simulación, y el equipo aún no ha garantizado completamente la fidelidad del audio o la legibilidad del texto dentro del mundo simulado.
Genie 4 está disponible actualmente como una vista previa de investigación para probadores de confianza. En las próximas semanas, el modelo se implementará para suscriptores de Google AI Ultra a través de Project Genie, la plataforma de Google para crear mundos interactivos a partir de indicaciones de texto o imagen, y para socios de acceso anticipado de la API de Gemini y Google AI Studio.








