Volver a Modelos LLM

Genie 4: el world model interactivo de Google con audio nativo

Google DeepMind anunció Genie 4 el 27 de octubre de 2026, un world model que genera entornos interactivos en tiempo real a partir de prompts. Las diferencias frente a su antecesor, según la empresa, son tres: audio nativo (sonidos ambientales y diálogo interactivo generados junto con el video), fotorrealismo, y la posibilidad de dirigir la simulación con lenguaje natural mientras corre. El lanzamiento es un research preview para testers de confianza, y la expansión arranca con los suscriptores de Google AI Ultra a través de Project Genie y con partners de early access de la Gemini API y de Google AI Studio.

Un world model, no un modelo de video

En el framing de DeepMind, un world model simula lo que pasa a continuación: vos ponés un evento en movimiento y el modelo genera cómo responde el mundo, cómo suena, y cómo se mueven, reaccionan y hablan las personas adentro. Genie 4 se apoya en la familia Gemini. Gemini Omni ancla las simulaciones en la apariencia y el comportamiento del mundo real, y otros modelos Gemini proveen el razonamiento que mantiene la simulación coherente en el tiempo. La empresa lo ubica como infraestructura para entrenar robots y agentes, y para crear experiencias interactivas.

Steering en tiempo real, física y personas

El post describe cuatro áreas de capacidad:

  • Steering en tiempo real. Un input en lenguaje natural puede modificar la simulación en marcha: otro clima, la cámara movida, una persona u objeto nuevo. Gemini adapta el prompt a la escena circundante, y entre tus inputs monitoriza y dirige la escena para que el mundo siga progresando.
  • Física y movimiento humano. Según DeepMind, el modelo simula escenarios de física real como aerodinámica y colisiones. El mayor salto, claim de la empresa, está en simular personas: personajes que se mueven de forma natural, reaccionan a su entorno y se pueden dirigir de forma interactiva en tiempo real.
  • Audio nativo. Genie 4 es el primer world model en tiempo real de DeepMind que genera audio de forma nativa. Cada mundo lleva su propio sonido ambiental, y el post también muestra diálogo interactivo, con personajes conversando en tiempo real y respondiendo a los inputs.
  • Eventos multi-paso. Junto con Gemini, el modelo maneja escenarios complejos de varios pasos en vez de momentos aislados.

Gemini en el loop

El trabajo multi-paso corre con Gemini 3.8 Flash como agente guía en el loop: mientras Genie 4 renderiza el mundo, Gemini observa la escena, divide el objetivo en pasos, y revisa los frames entrantes para verificar que cada paso tuvo éxito, adaptando el plan a medida que el mundo cambia o vos intervinís. El post también describe experimentos con Gemini 4 Argon y Gemini Robotics, donde Argon descompone una tarea que pidió el usuario en pasos que se le pasan a Genie 4 como captions de texto durante el rendering, con una demo del humanoide Apollo de Apptronik jugando a las damas.

Quiénes lo están probando

DeepMind viene corriendo cohortes de testers de confianza en industrias creativas, periodismo, educación, gaming e ingeniería. Según el post, cineastas lo usan como "draft mode" para pre-visualización, fotoperiodistas convierten una única foto de archivo en una simulación en vivo, developers de juegos van de una idea a un prototipo explorable antes de escribir código de engine, y partners enterprise lo evalúan para generación de escenarios "zero-to-one".

Disponibilidad y límites

El modelo es un research preview y, en palabras de DeepMind, temprano y experimental. El acceso se limita a testers de confianza, con waitlist para Project Genie, y no se publicó ningún precio. Todo el video y audio generado va a llevar marca de agua SynthID.

Entre los límites declarados: detalles visuales y permanencia de objetos que se desplazan con el tiempo, sobre todo en sesiones largas o tras varios edits complejos de prompts, además de trabajo abierto en render de texto, precisión espacial, precisión del audio en tiempo real y consistencia a largo plazo. Si estás evaluando esto como herramienta de trabajo, la lectura práctica por ahora es un ítem para seguir, no para comprar.

Fuente: deepmind.google

Más noticias

Volver a Modelos LLM

¿Tenés algo en mente?

Empecemos a hablar