Google DeepMind presenta Genie 4: un mundo con sonido nativo y diálogos en vivo

Google DeepMind ha anunciado Genie 4, la nueva generación de su modelo de mundo. La principal novedad es que el sistema construye en tiempo real un mundo interactivo que ya incluye sonido, y en él los personajes hablan y reaccionan a las acciones del usuario. Los autores del anuncio son Raia Hadsell, Diego Rivas y Hang Qi. Por ahora Genie 4 está disponible como research preview para un círculo reducido de probadores de confianza, pero la hoja de ruta ya está clara: primero llegará a los suscriptores de Google AI Ultra en Project Genie y a los socios tempranos de Gemini API y Google AI Studio, y después tendrá un lanzamiento más amplio.

Gemini dentro del simulador

Genie 4 es multimodal de forma nativa. La música, los ruidos de fondo y los diálogos interactivos se generan junto con el mundo, no se superponen a un vídeo ya terminado. Según DeepMind, todos los sonidos de los vídeos de demostración los ha producido el propio modelo.

En cuanto a la arquitectura, Genie 4 aprovecha las capacidades de la familia Gemini. Gemini Omni ancla la simulación al aspecto y el comportamiento reales de los objetos. El resto de los modelos de Gemini se encargan del razonamiento complejo que mantiene la coherencia y la continuidad del mundo. Para un mundo que se construye sobre la marcha, este es el punto más débil: basta con que el modelo pierda el hilo para que una plataforma cambie de forma o el protagonista se convierta en otra persona. Aquí Gemini hace de director: entre una acción del usuario y la siguiente, vigila la escena y empuja su desarrollo para que el mundo no se quede congelado.

El control sigue siendo sencillo. La navegación y la cámara funcionan con un teclado normal, y la escena se puede modificar con texto: cambiar el clima, mover la cámara, añadir una persona o un objeto. Gemini adapta el comando al contexto para que el nuevo elemento no parezca un añadido de otro vídeo.

Física, personas y sonido

DeepMind considera que el salto más visible está en la simulación de personas: los personajes se mueven con naturalidad, reaccionan de forma orgánica al entorno y se pueden controlar en tiempo real. Aparte, la compañía declara soporte para la física del mundo real: aerodinámica, colisiones y otros escenarios.

Las demos están elegidas para poner a prueba distintas facetas del modelo:

• un saxofonista con un traje marrón holgado sobre una plataforma de hormigón flotante en mitad de un lago, con estética de película documental de 16 mm, sonido realista del instrumento y ruido de viento;
• una cinta infinita de satén rosa que serpentea en curvas en forma de S por un prado ondulado con flores silvestres;
• una vista en primera persona desde la cesta de mimbre de un globo aerostático sobre los glaciares de la Antártida, con otros globos a la deriva en el horizonte;
• una sandía sobre un pedestal de piedra en un patio: un vídeo a cámara lenta con salpicaduras iluminadas a contraluz;
• una macrofotografía de una semilla de arce que cae de un árbol;
• una abarrotada estación rural japonesa de los años 80, con un largo tren rojo oscuro en la vía más cercana y un revisor de uniforme azul marino;
• un mundo completamente tridimensional de vidrio de colores, donde hasta el agua, el cielo y la hierba siguen siendo de vidrio y cristal.

También se muestra un vídeo comparativo de Genie 3 y Genie 4, donde la diferencia en fotorrealismo, fluidez de movimiento y sonido se aprecia a simple vista. Los prompts de las demos tienen dos capas: una descripción del entorno y otra del personaje. Algunos son muy detallados y fijan la composición y la luz, e incluyen prohibiciones del tipo «sin HDR» o «sin plataformas vacías».

Por qué lo hace DeepMind

La compañía formula su objetivo así: comprender y simular el mundo es una parte clave del camino hacia la AGI. También expone abiertamente el lado práctico. Las simulaciones seguras e infinitamente variables hacen falta como entornos de entrenamiento para robots y agentes, y además abren la puerta a nuevos formatos interactivos.

Para la robótica, el valor es evidente. Los campos de pruebas reales son caros y limitados, mientras que un modelo de mundo con física verosímil y comportamiento humano creíble puede generar las escenas necesarias a partir de una descripción de texto. La capa de diálogo da a los agentes un entorno en el que se habla con ellos y se reacciona a lo que hacen.

Para la industria del videojuego y los creadores de contenido, Genie 4 sigue siendo por ahora un escaparate. No hay acceso, no hay precios ni límites, y los vídeos se han grabado en condiciones controladas. Si trabajas con agentes o simulaciones, conviene apuntarse a la lista de espera de Project Genie y comprobar hasta qué punto el mundo mantiene la coherencia a largo plazo. A los desarrolladores les conviene seguir de cerca Gemini API y Google AI Studio: ahí aparecerán los accesos tempranos para socios. La gran pregunta de los próximos meses es si se puede entrenar agentes en estos mundos de modo que sus habilidades se trasladen a la realidad.