Google DeepMind ha presentado Genie 4, un modelo de mundo interactivo en tiempo real. Con la simulación en marcha, el usuario puede usar lenguaje natural para cambiar el clima, mover la cámara y añadir personas y objetos a la escena; la imagen sigue evolucionando sin necesidad de regenerarla. DeepMind afirma que es el primer modelo de mundo en tiempo real que genera audio de forma nativa: los sonidos ambientales, la música y los diálogos de los personajes salen sincronizados con la imagen, y los personajes además pueden responder en tiempo real a lo que haga el usuario o a lo que ocurra en la escena.
"Genie 4 is our first real-time world model to generate audio natively."
(Genie 4 es nuestro primer modelo de mundo en tiempo real que genera audio de forma nativa.)
Qué puede hacer y quién puede usarlo
Según la presentación oficial, las mejoras de Genie 4 se concentran en tres áreas. La primera es la física, con soporte para escenas de aerodinámica y colisiones. La segunda son las personas y personajes: movimientos más naturales, reacción al entorno y posibilidad de que el usuario los controle en tiempo real. La tercera son los eventos de varios pasos, en los que Gemini 3.8 Flash actúa como agente guía: divide el objetivo del usuario en pasos, comprueba fotograma a fotograma si cada paso se ha cumplido y reajusta el plan cuando el usuario interviene a mitad de camino o la escena cambia. DeepMind también menciona que está probando combinar Gemini 4 Argon con Genie 4 para simulaciones relacionadas con la robótica.
La apertura se hará en tres fases: ahora, una vista previa de investigación para evaluadores de confianza; después, suscriptores de Google AI Ultra (la puerta de entrada se llama Project Genie) y socios tempranos de la Gemini API y de Google AI Studio, con un formulario de lista de espera en la página. Los vídeos y audios generados llevarán una marca de agua SynthID.
Las limitaciones que la propia empresa enumera
El anuncio no incluye ninguna métrica cuantitativa: no se indican resolución, tasa de fotogramas, tiempo jugable por sesión ni latencia de operación, y tampoco hay una comparación numérica con la generación anterior, solo descripciones cualitativas como "mayor realismo".
En cambio, DeepMind describe con claridad los límites: cuando la sesión se alarga, cuando se retocan prompts complejos durante varias rondas o cuando se avanza mucho por la escena, los detalles visuales y la permanencia de los objetos "still shift or drift over time" (todavía se desplazan o derivan con el tiempo). Las interacciones físicas complejas, la precisión del audio en tiempo real, la representación de texto legible, la precisión espacial y la coherencia a largo plazo figuran como problemas aún en investigación.
Cómo lo ven los lectores en China
Los primeros canales de acceso a Genie 4 son la suscripción AI Ultra y la colaboración temprana a través de la Gemini API, y ninguno de los dos está disponible en China continental, por lo que los desarrolladores del país, de momento, solo podrán ver vídeos de demostración.
Aun así, el lado chino no está vacío. Matrix-Game 4.0, publicado como código abierto por Kunlun Tech a mediados de octubre, apunta a 60 fotogramas por segundo en una sola RTX 5090, y sus pesos pueden descargarse para uso local; también hay equipos que hacen funcionar modelos de mundo en NPU nacionales a unos 50 fotogramas. Publican métricas comparables como la tasa de fotogramas, justo lo que Genie 4 esta vez no ofrece.
La diferencia probablemente esté en dos puntos: el primero es el audio nativo y el diálogo de los personajes, ya que la mayoría de las soluciones de código abierto chinas ahora solo producen imagen; el segundo es usar Gemini como agente de planificación y validar fotograma a fotograma tareas de varios pasos, lo que exige un modelo multimodal lo bastante potente a su lado y resulta difícil de alcanzar para equipos que solo hacen generación de vídeo. Solo cuando Genie 4 llegue a la fase de API y publique cifras de latencia y duración, ambos lados tendrán una tabla que poner uno junto al otro.
Fuentes: blog oficial de Google DeepMind, CocoLoop; el alcance de la apertura, el modelo usado por el agente guía y las limitaciones conocidas se basan en lo comunicado oficialmente por DeepMind, y las tasas de fotogramas de los modelos de mundo chinos, en los datos públicos de cada proyecto.