Genie 4, la IA de Google que arma mundos con sonido y personajes que hablan

Genie 4 es el nuevo modelo del mundo de Google DeepMind, y los mundos que crea por fin tienen sonido. Descríbele una escena en una frase o dale una imagen de referencia, y el modelo generará un lugar que puedes recorrer con el teclado mientras reproduce el viento entre los árboles, las olas en la playa y las voces de quienes están ahí. Ahora esas personas pueden conversar y reaccionar a lo que haces, algo que DeepMind describe como la verdadera frontera de esta versión.

Para quienes probaron las versiones anteriores, el cambio más importante es el control. Puedes escribir una instrucción para cambiar el clima, mover la cámara o añadir una persona u objeto a la escena, y Gemini reformula tu pedido para que encaje con lo que ya aparece en pantalla. Entre una instrucción y otra, Gemini sigue dirigiendo la simulación para que el mundo no se desmorone. Se siente menos como jugar un videojuego y más como dirigir un set de filmación donde la cámara nunca deja de rodar; así es como algunos de los primeros evaluadores ya lo están usando.

Gemini planea la escena mientras Genie la construye

Genie 4 se apoya en los demás modelos de Google. Según el anuncio de DeepMind, Gemini Omni ancla cada simulación en la apariencia y el comportamiento del mundo real, mientras que otros modelos Gemini se encargan del razonamiento que mantiene la coherencia de la escena de un momento al siguiente. Gemini 3.8 Flash participa como agente guía: observa el mundo mientras Genie 4 lo genera, divide un objetivo en pasos, revisa los fotogramas que recibe para confirmar que cada paso funcionó y modifica el plan cuando lo interrumpes.

DeepMind afirma que el mayor salto está en las personas. Los personajes se mueven con más naturalidad, responden a lo que los rodea y pueden recibir instrucciones mientras la simulación está en marcha; además, el modelo maneja aspectos de la física como la aerodinámica y las colisiones. Las demostraciones del blog de la empresa incluyen una semilla de arce que gira mientras cae sobre el pasto, una estación de tren rural abarrotada en el Japón de los años 80 y una carrera de dragones en primera persona acompañada por estruendosos aleteos: todo el sonido fue generado por el propio Genie 4. Genie 3 producía mundos silenciosos a 720p y 24 fotogramas por segundo. Esta vez, DeepMind no ha publicado cifras de resolución ni de velocidad de fotogramas, así que la mejora solo puede juzgarse a partir de sus propios videos.

Los juegos no son el único objetivo. DeepMind afirma que simular el mundo es un paso crucial hacia la inteligencia artificial general, y una demostración combina Genie 4 con Gemini 4 Argon para simular al robot humanoide Apollo, de Apptronik, jugando a las damas. Argon divide la tarea en pasos y se los envía a Genie 4 como subtítulos de texto mientras se genera la escena. A largo plazo, el caso de negocio está en crear mundos de práctica seguros y con variaciones ilimitadas para robots y agentes de software, mucho antes de que alguien venda un juego de Genie.

Los cineastas y los fotoperiodistas fueron los primeros en probarlo

DeepMind ha probado Genie 4 con grupos de los sectores creativo, periodístico, educativo, de videojuegos y de ingeniería. Los cineastas lo usan como una herramienta de borrador para la previsualización: entran en una escena en vivo y hacen varias tomas mientras ajustan los ángulos de cámara, la iluminación, los diálogos y la acción. Los desarrolladores de videojuegos pasan de una idea a un prototipo explorable en segundos, antes de escribir una sola línea de código del motor del juego. Los socios empresariales están probándolo para generar escenarios rápidamente.

El experimento más delicado involucra a fotoperiodistas, que están probando cómo una sola fotografía de archivo puede convertirse en cuestión de segundos en una versión simulada de ese lugar, con personas y movimiento. DeepMind también menciona la posibilidad de visualizar cómo se desarrolla una inundación repentina o un incendio forestal. Un recorrido convincente por una calle histórica real, con personas inventadas hablando en ella, también puede ser una falsificación convincente. La respuesta de DeepMind es SynthID, la marca de agua invisible que incorpora en todos los videos y audios que produce Genie 4, además de evaluaciones internas de seguridad y un lanzamiento gradual. SynthID solo sirve si las plataformas y los espectadores usan un detector, y nada en pantalla le indica a quien ve el video sin prestar demasiada atención que las imágenes son sintéticas.

Los mundos todavía se desajustan

DeepMind habla con inusual franqueza sobre las limitaciones. Genie 4 mantiene unido un entorno durante sesiones cortas, pero los detalles visuales y la permanencia de los objetos pueden cambiar cuando la simulación se prolonga, después de varios cambios complejos en las instrucciones o mientras te desplazas por la escena. Las interacciones físicas complejas, el audio preciso en tiempo real, el texto legible, la precisión espacial y la coherencia a largo plazo figuran entre los problemas de investigación aún sin resolver. En pocas palabras, la estantería que pasaste hace un minuto quizá ya no sea la misma cuando vuelvas a mirar.

La mayoría de las personas tampoco puede probarlo todavía. Genie 4 es una versión preliminar de investigación, limitada a evaluadores de confianza. Google afirma que pronto estará disponible para los suscriptores de Google AI Ultra a través de Project Genie, su aplicación web para generar mundos, y para los socios con acceso anticipado a Gemini API y Google AI Studio; la lista de espera ya está abierta. No hay fecha de lanzamiento ni precio, más allá de la suscripción Ultra —el plan de IA más caro de Google—, y tampoco se sabe qué países tendrán acceso primero. Cuando Project Genie se lanzó el 29 de enero de 2026 con Genie 3, solo estaba disponible para suscriptores de Ultra en Estados Unidos mayores de 18 años, y las sesiones tenían un límite de 60 segundos.

DeepMind anunció Genie 4 el 27 de octubre de 2026 en una publicación firmada por Raia Hadsell, Diego Rivas y Hang Qi. La línea comenzó en febrero de 2024 con un modelo que convertía imágenes en sencillos juegos de plataformas en 2D; pasó a 3D con Genie 2 en diciembre de 2024 y llegó a la exploración en tiempo real con Genie 3 en agosto de 2025. Cada generación añadió algo: una tercera dimensión, después movimiento en tiempo real y ahora sonido y voz. Genie 4 todavía tiene que demostrar que un mundo puede recordarse a sí mismo durante más tiempo que una pausa para tomar café.

Etiquetas: inteligencia artificial, Google, Gemini, Google DeepMind, Genie 4, modelos de mundo