Google DeepMind apresenta o Genie 4: mundo com áudio nativo e diálogos ao vivo

O Google DeepMind anunciou o Genie 4, nova geração de seu modelo de mundo. A principal novidade: o sistema constrói em tempo real um mundo interativo já com som, e os personagens conversam e reagem às ações do usuário. O anúncio é assinado por Raia Hadsell, Diego Rivas e Hang Qi. Por ora, o Genie 4 está disponível como research preview para um grupo restrito de testadores de confiança, mas o roteiro já está claro: primeiro os assinantes do Google AI Ultra no Project Genie e os parceiros iniciais do Gemini API e do Google AI Studio, depois um lançamento mais amplo.

Gemini dentro do simulador

O Genie 4 é nativamente multimodal. Música, ruídos de fundo e diálogos interativos são gerados junto com o mundo, e não sobrepostos a um vídeo já pronto. Segundo o DeepMind, todos os sons nos vídeos de demonstração foram produzidos pelo próprio modelo.

Na arquitetura, o Genie 4 aproveita as capacidades da família Gemini. O Gemini Omni ancora a simulação na aparência e no comportamento reais dos objetos. Os demais modelos Gemini cuidam do raciocínio complexo que mantém a coerência e a continuidade do mundo. Para um mundo construído em tempo real, esse é o ponto mais frágil: basta o modelo perder o fio da meada para a plataforma mudar de forma e o herói virar outra pessoa. Aqui, o Gemini faz o papel de diretor: entre uma entrada e outra do usuário, ele acompanha a cena e empurra seu desenvolvimento para que o mundo não congele.

O controle continua simples. A navegação e a câmera funcionam com um teclado comum, e a cena pode ser alterada por texto: mudar o clima, mover a câmera, adicionar uma pessoa ou um objeto. O Gemini adapta esse comando ao contexto, para que o novo elemento não pareça uma colagem de outro vídeo.

Física, pessoas e som

Para o DeepMind, o salto mais visível está na simulação de pessoas: os personagens se movem de forma natural, reagem de maneira orgânica ao ambiente e podem ser controlados em tempo real. A empresa também declara suporte à física do mundo real: aerodinâmica, colisões e outros cenários.

As demonstrações foram escolhidas para testar diferentes aspectos do modelo:

• saxofonista de terno marrom folgado em uma plataforma de concreto flutuando no meio de um lago, no estilo de filme documental em 16 mm, com som realista do instrumento e ruído de vento;
• fita infinita de cetim rosa serpenteando em curvas em S por um prado ondulado com flores silvestres;
• visão em primeira pessoa de dentro da cesta de vime de um balão sobre as geleiras da Antártida, com outros balões à deriva no horizonte;
• melancia sobre um pedestal de pedra em um pátio: vídeo em câmera lenta com respingos iluminados por contraluz;
• macrofilmagem de uma semente de bordo caindo da árvore;
• estação rural japonesa dos anos 1980 lotada, com um longo trem vermelho-escuro na linha mais próxima e um fiscal de uniforme azul-marinho;
• mundo totalmente tridimensional de vitral, em que até a água, o céu e a grama continuam sendo vidro e cristal.

Há ainda um vídeo comparando o Genie 3 e o Genie 4, em que a diferença de fotorrealismo, fluidez de movimento e som fica evidente. Os prompts das demos têm duas camadas: a descrição do ambiente e a descrição do personagem. Alguns são muito detalhados e definem composição, iluminação e restrições como “sem HDR” ou “sem plataformas vazias”.

Por que isso importa para o DeepMind

A empresa define o objetivo assim: entender e simular o mundo é uma parte essencial do caminho até a AGI. O lado prático também é dito sem rodeios. Simulações seguras e com variação infinita são necessárias como ambientes de treinamento para robôs e agentes, e ainda abrem caminho para novos formatos interativos.

Para a robótica, o valor é evidente. Campos de teste reais são caros e limitados, enquanto um modelo de mundo com física e comportamento humano verossímeis pode gerar as cenas necessárias a partir de uma descrição em texto. A camada de diálogo oferece aos agentes um ambiente em que conversam com eles e reagem a eles.

Para a indústria de games e os criadores de conteúdo, o Genie 4 por enquanto é só uma vitrine. Não há acesso, nem preços e limites divulgados, e os vídeos foram gravados em condições controladas. Quem trabalha com agentes ou simulações deve entrar na fila do Project Genie e observar até que ponto o mundo mantém a coerência em longas sessões. Para desenvolvedores, vale ficar de olho no Gemini API e no Google AI Studio: é lá que surgirão os acessos antecipados para parceiros. A principal pergunta dos próximos meses: será possível treinar agentes nesses mundos de modo que as habilidades se transfiram para a realidade?