Genie 4 de Google DeepMind suma sonido, habla y un planificador Gemini a la simulación de mundos en tiempo real

Google DeepMind anunció Genie 4 el 27 de octubre, su nuevo modelo de mundo: un sistema que genera un entorno explorable cuadro por cuadro, en tiempo real, mientras el usuario lo recorre con el teclado y lo modifica con prompts de texto. Es una vista previa de investigación. Hoy solo tiene acceso un grupo de testers de confianza; Google dice que el modelo llegará pronto a los suscriptores de Google AI Ultra en Project Genie y a socios con acceso anticipado a la Gemini API y Google AI Studio, sin dar fecha. Hay una lista de espera abierta.

Lo nuevo no es tanto la idea de un mundo generado que se puede recorrer, algo que Genie 3 ya mostró en agosto de 2025, sino lo que se suma encima: sonido, habla, personas más realistas y un modelo Gemini metido en el circuito para mantener la coherencia de la simulación.

Qué dice Google que agrega Genie 4

• Audio nativo. Google describe a Genie 4 como su primer modelo de mundo en tiempo real que genera el audio por sí mismo: sonido ambiente de cada escenario, música y diálogo. Los personajes pueden hablar entre ellos y reaccionar al usuario o a lo que pasa en la escena.
• Personas y física más realistas. DeepMind dice que el mayor salto está en cómo Genie 4 representa a las personas, con personajes que se mueven de forma natural y se pueden dirigir en vivo. También menciona escenarios físicos como choques y aerodinámica.
• Control en vivo en lenguaje natural. En plena simulación, podés escribir una instrucción como cambiar el clima, mover la cámara o sumar una persona u objeto. Según Google, Gemini adapta ese prompt a la escena antes de que llegue al simulador.
• Más consistencia, según TechCrunch. TechCrunch informa que Genie 4 mantiene una escena consistente hasta dos minutos, el doble que Genie 3. Las publicaciones de Google no indican una duración.

Todo esto es la descripción de Google, respaldada por videos de demostración que eligió Google. No hay benchmark publicado, tamaño del modelo, resolución ni cuadros por segundo, y todavía no existe una evaluación independiente.

Un simulador con un planificador arriba

El detalle de arquitectura que vale mirar es la división del trabajo. En el post de DeepMind, Gemini 3.8 Flash funciona como agente guía: observa la escena mientras Genie 4 la renderiza, divide un objetivo en pasos, revisa los cuadros nuevos para verificar que cada paso se cumplió y corrige el plan si el mundo cambia o el usuario interviene. Genie se ocupa de los píxeles y el sonido; Gemini, de la estructura y el relato.

DeepMind lleva el mismo esquema a la robótica. En una demo de investigación, Gemini 4 Argon divide una partida de damas en pasos y se los pasa a Genie 4 como textos, y Genie 4 simula al humanoide Apollo de Apptronik jugando. The Decoder aclara que no hay un robot físico de por medio: es una simulación. DeepMind presenta la combinación como un primer paso hacia modelos híbridos que unan el razonamiento en lenguaje y código con la simulación a nivel de píxel, y como una forma de probar cómo se maneja un sistema de IA en un entorno antes de enfrentarse al real.

Si construís agentes, el circuito te va a resultar conocido: planificar, actuar, observar, verificar, replanificar. La diferencia es que acá el entorno mismo es generado, así que en principio un mundo de entrenamiento o de prueba se puede variar sin límite. Si esos mundos son lo bastante fieles a la física como para servir para entrenar robots es justamente lo que todavía no se mostró públicamente.

Lo que Google admite que todavía no funciona

El post de DeepMind es inusualmente directo sobre los límites. Define a Genie 4 como un modelo temprano y experimental que se mantiene coherente en sesiones cortas, pero reconoce que los detalles visuales y la permanencia de los objetos pueden desviarse, sobre todo en simulaciones largas, después de varias ediciones complejas por prompt o al recorrer la escena. Enumera como problemas de investigación abiertos las interacciones físicas complejas, la precisión del audio en tiempo real, el texto legible, la precisión espacial y la consistencia a largo plazo. TechCrunch agrega que el ingeniero de Google Diego Rivas remarcó en una presentación que la experiencia completa de producto todavía no está clara.

En seguridad, Google dice que Genie 4 pasó por evaluaciones internas, que se lanza primero a testers de confianza a propósito y que todo el video y el audio generados llevarán su marca de agua SynthID.

Para quién es, por ahora

Google y sus testers apuntan a la previsualización en cine, a convertir una foto de archivo en una escena explorable, a prototipar mecánicas de juego antes de escribir código de motor y a la simulación de escenarios en empresas. TechCrunch también ubica el lanzamiento en un campo con mucho movimiento: Runway lanzó hace un par de meses un modelo de mundo jugable con audio, y AMD acordó en septiembre comprar World Labs.

Qué cambia para quienes desarrollan

Por ahora, poco, porque no hay acceso público por API. Hay dos cosas para seguir. Primero, Google promete acceso por la Gemini API a socios con acceso anticipado, lo que convertiría la simulación de mundos en algo que un desarrollador puede invocar y no solo mirar en demos. Segundo, acá el prompting es continuo y no de un solo disparo: las instrucciones llegan mientras el mundo corre y otro modelo las reescribe para que encajen en la escena. Se parece más a dirigir un agente en vivo que a escribir un único prompt de video, y es un patrón que probablemente se extienda más allá de Genie.