Google lanza Genie 4, modelo de mundo con audio en tiempo real y escenas editables

Google DeepMind lanzó el martes Genie 4, su nuevo modelo de mundo, en una versión inicial de investigación para probadores autorizados. Un modelo de mundo, en este contexto, es un sistema de IA que genera un entorno simulado y navegable a partir de texto o una imagen. Según la empresa, es el sistema más fotorrealista e interactivo de la línea hasta ahora.

La gran novedad es el audio en tiempo real: Genie 4 crea música, ruidos de ambiente e incluso diálogos que acompañan lo que ocurre en la escena. Otro avance es el control durante la simulación, con el usuario escribiendo comandos en medio de la experiencia para transformar el escenario sin empezar desde cero.

Qué cambió respecto a Genie 3

Su antecesor, Genie 3, había sido liberado en versión de investigación hace poco más de un año. Genie 4 duplica el tiempo de coherencia de la escena, manteniendo el mismo entorno por hasta dos minutos, con física mejorada y personajes con un comportamiento más humano. También permite ediciones libres, como cambiar el clima, cambiar el ángulo de cámara o agregar personas y objetos en tiempo real.

Gemini, el modelo de IA de Google, está más integrado y funciona como un director: planifica las etapas y revisa los cuadros mientras Genie genera las imágenes. En un experimento vinculado a Gemini Robotics, un modelo llamado Gemini 4 Argon dividió tareas en pasos que Genie 4 simuló en el momento, un camino posible para probar acciones de robots en la simulación antes del mundo real.

Lo que veremos cada vez más en el futuro son estos modelos de mundo híbridos, donde se combina a Gemini escribiendo código y texto, y a Genie procesando eso en tiempo real y simulando la realidad en diferentes niveles de abstracción,

Tejas Kulkarni, director de investigación de Google

Competencia, usos y límites

El lanzamiento ocurre unos dos meses después de que la startup de video Runway presentara GWM Worlds 2, un modelo jugable que responde a comandos y también genera audio. El sector se mueve: World Labs, de Fei-Fei Li, está siendo adquirida por AMD, Amazon negocia la compra de Decart y Rivian compró Third Dimension para llevar la simulación internamente en las pruebas de conducción autónoma.

Los usos comerciales imaginados incluyen videojuegos, aprendizaje interactivo y robótica. Un ejemplo citado es entrar en la pintura de una escena histórica y conversar con los personajes sobre el evento retratado. Los primeros probadores ven otro camino: usar el tiempo real para prototipar películas, en la fase de ideas y de storyboard con iteración rápida. Google ya tiene Veo, que crea clips en alta definición con audio sincronizado a partir de texto, imagen o video y viene ganando espacio entre cineastas.

El aspecto del 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

Todavía es una fase inicial y el formato final del producto no está definido. El propio equipo admite fallas: los detalles y objetos pueden deformarse cuanto más larga sea la simulación, el audio no siempre resulta preciso y los textos dentro del mundo pueden volverse ilegibles. Por ahora el acceso está restringido a los probadores autorizados, con expansión en las próximas semanas para suscriptores de Google AI Ultra en Project Genie y para socios de acceso anticipado de la API de Gemini y de Google AI Studio.