Google lança Genie 4, modelo de mundo com áudio em tempo real e cenas editáveis

O Google DeepMind lançou na terça-feira o Genie 4, seu novo modelo de mundo, em versão inicial de pesquisa para testadores autorizados. Modelo de mundo, aqui, é um sistema de IA que gera um ambiente simulado e navegável a partir de texto ou imagem. Segundo a empresa, é o sistema mais fotorrealista e interativo da linha até agora.

A grande novidade é o áudio em tempo real: o Genie 4 cria música, ruídos de ambiente e até falas que acompanham o que acontece na cena. Outro avanço é o controle durante a simulação, com o usuário digitando comandos no meio da experiência para transformar o cenário sem recomeçar do zero.

O que mudou em relação ao Genie 3

O antecessor, o Genie 3, tinha sido liberado em versão de pesquisa há pouco mais de um ano. O Genie 4 dobra o tempo de coerência da cena, mantendo o mesmo ambiente por até dois minutos, com física melhorada e personagens com comportamento mais humano. Ele também permite edições livres, como mudar o clima, trocar o ângulo de câmera ou adicionar pessoas e objetos em tempo real.

O Gemini, modelo de IA do Google, ficou mais integrado e funciona como um diretor: planeja as etapas e confere os quadros enquanto o Genie gera as imagens. Em um experimento ligado ao Gemini Robotics, um modelo chamado Gemini 4 Argon dividiu tarefas em passos que o Genie 4 simulou na hora, um caminho possível para testar ações de robôs na simulação antes do mundo real.

What we’ll increasingly see in the future are these hybrid world models, where you have a combination of Gemini writing code and text, and Genie ingesting that in real time and simulating reality at different levels of abstraction,

Tejas Kulkarni, diretor de pesquisa do Google

Disputa, usos e limites

O lançamento acontece cerca de dois meses depois de a startup de vídeo Runway apresentar o GWM Worlds 2, um modelo jogável que responde a comandos e também gera áudio. O setor se movimenta: a World Labs, de Fei-Fei Li, está sendo adquirida pela AMD, a Amazon negocia a compra da Decart e a Rivian comprou a Third Dimension para levar simulação para dentro de casa nos testes de direção autônoma.

Os usos comerciais imaginados incluem games, aprendizado interativo e robótica. Um exemplo citado é entrar na pintura de uma cena histórica e conversar com os personagens sobre o evento retratado. Testadores iniciais veem outro caminho: usar o tempo real para prototipar filmes, na fase de ideias e de storyboard com iteração rápida. O Google já tem o Veo, que cria clipes em alta definição com áudio sincronizado a partir de texto, imagem ou vídeo e vem ganhando espaço entre cineastas.

The real time aspect becomes most valuable in the areas where keeping a state of flow in the creativity space becomes incredibly useful,

Diego Rivas, engenheiro do Google DeepMind

Ainda é fase inicial e o formato final do produto não está definido. O próprio time admite falhas: detalhes e objetos podem se deformar quanto mais longa a simulação, o áudio nem sempre sai preciso e textos dentro do mundo podem ficar ilegíveis. Por enquanto o acesso é restrito aos testadores autorizados, com expansão nas próximas semanas para assinantes do Google AI Ultra no Project Genie e para parceiros de acesso antecipado da API do Gemini e do Google AI Studio.