Genie 4: el modelo del mundo de Google ya suena, habla y se deja dirigir en tiempo real
Google DeepMind presentó el 27 de octubre Genie 4, su modelo del mundo más realista hasta ahora: genera el sonido de la escena, pone voz a los personajes y acepta que le cambies el mundo mientras lo estás recorriendo. Sigue siendo un preview cerrado y sigue durando dos minutos.
Qué es Genie 4 y en qué no se parece a un generador de vídeo
La diferencia no es de calidad de imagen: es de qué tipo de objeto es el modelo.
Un modelo del mundo, no un vídeo con prompt
Un generador de vídeo recibe un texto, produce un clip y termina. Un modelo del mundo predice el siguiente estado de una escena a partir de lo que ocurre en ella y de lo que tú haces: eliges el prompt una vez y esperas, o cambias de idea a mitad del recorrido y la escena reacciona. Eso es la simulación interactiva, y es la razón por la que Genie 4 se parece más a un entorno de pruebas que a una herramienta de render.
Qué significa "tiempo real" aquí
Tiempo real quiere decir que el modelo no renderiza un clip para que lo reproduzcas después, sino que genera lo que ves mientras lo ves, al ritmo de tus acciones. Si la respuesta llega con retraso, la sensación de estar dentro se rompe.
Lee también
Las cuatro novedades del anuncio
The Verge resumió el anuncio en cuatro puntos: mundos más realistas, cambio de escena en tiempo real con lenguaje natural, audio generado y un modelo Gemini por debajo ayudando con la simulación.
Mundos más realistas
Mejor física, superficies más creíbles y una iluminación que se sostiene cuando la cámara se mueve. Es la mejora menos vistosa y la que más se nota: un mundo que se cae visualmente a los diez segundos no sirve para nada.
Cambiar la escena a mitad de la simulación
Puedes escribir en mitad de la simulación para mover la cámara, cambiar el clima o introducir un personaje. No es edición posterior ni un prompt nuevo desde cero: el mundo sigue y se corrige. Para quien prototipa, es la diferencia entre iterar diez veces por hora o diez veces por día.
Audio generado en la misma pasada
El sonido no se añade después: se genera junto con la imagen. Música, ruido ambiental y diálogo, coherentes con lo que está pasando en la escena.
Gemini 3.8 Flash como motor de apoyo
Debajo de la simulación hay modelos Gemini. Gemini 3.8 Flash, de la línea rápida de la familia, actúa como agente guía: observa la escena y sigue el progreso mientras el mundo se genera.
El audio nativo: ambiente, música y voz
Es el primer modelo del mundo de DeepMind con audio nativo, y eso cambia la percepción de la escena.
El sonido que corresponde al lugar
Según Google, cada mundo lleva el sonido ambiental de su propio escenario, desde el viento entre los árboles hasta las olas rompiendo en la playa. El audio se puede pedir en el prompt, igual que un objeto o un cambio de luz.
Personajes que hablan y te responden
El salto mayor, si funciona bien, es la voz humana: personajes que hablan y responden dentro de la simulación. Ars Technica lo señaló como el punto donde el anuncio se juega su credibilidad, porque una voz que suena mal rompe la escena más rápido que cualquier artefacto visual. Un mundo con diálogo abre casos que antes había que guionizar: entrevistas simuladas, pruebas de atención al cliente, ensayos de una escena con alguien dentro.
Humanos que ya no parecen robots
Lo que más cambió respecto a la versión anterior no es el paisaje: son las personas.
Expresión facial y movimiento corporal
Piel, expresión facial y movimiento del cuerpo más fluidos. Gizmodo lo puso como el diferenciador real frente a Genie 3, donde los cuerpos se movían de forma mecánica y las caras se quedaban en una mueca fija.
La diferencia concreta frente a Genie 3
Genie 3 ya generaba mundos explorables, pero los humanos eran el eslabón débil. Genie 4 duplica la coherencia temporal y arregla esa pieza. Para animación, un personaje que camina y gesticula de forma creíble durante dos minutos es un bloque de previsualización útil; uno que se deforma, no.
Cómo está montado por dentro
La arquitectura explica por qué el modelo puede sostener una escena mientras tú la cambias.
Gemini Omni anclando la apariencia del mundo
Gemini Omni ancla la simulación en la apariencia y el comportamiento del mundo real: es la pieza que mantiene que la madera parezca madera y que el agua se comporte como agua cuando el modelo improvisa lo que viene después.
El agente guía y la planificación en tiempo real
Gemini 3.8 Flash observa la escena y sigue el progreso mientras se genera. Encima, Gemini 4 Argon puede planificar dentro de la simulación: descomponer una tarea en pasos y ejecutarla en tiempo real. Ese modelo lo analizamos en la nota sobre Gemini 4 Argon.
El ejemplo del Apollo de Apptronik jugando a las damas
El ejemplo oficial: el humanoide Apollo, de Apptronik, simulado dentro de Genie 4 jugando a las damas, con el modelo descomponiendo la tarea en pasos. Demuestra lo que aporta el agente, no que el sistema sirva para entrenar robots en producción: para eso hacen falta datos, repeticiones y validación en hardware real.
Dos minutos de coherencia: el número que manda
Genie 4 mantiene una escena consistente hasta dos minutos, el doble que Genie 3. Es el dato menos vistoso del anuncio y el que decide si esto sirve para algo más que para un demo.
Qué se cae cuando la simulación se alarga
Cuando la simulación se alarga, el modelo empieza a olvidar detalles: un objeto cambia de sitio, una puerta que estaba abierta aparece cerrada, la luz deja de corresponder con la hora. Es la deriva de detalle, el problema clásico de encadenar predicciones sobre sus propias predicciones.
Deriva de detalle, audio y texto ilegible
Testers y analistas señalan tres límites: deriva de detalle en simulaciones largas, audio que no siempre cuadra con la imagen y texto dentro del mundo que no se puede leer. DeepMind lo describe como un modelo temprano y experimental, que es exactamente lo que es un research preview y la razón por la que hoy no reemplaza un pipeline.
Cómo probarlo hoy
El acceso es lo más aburrido del anuncio y lo que más gente va a buscar.
Testers de confianza y lista de espera
Genie 4 se lanzó como research preview para testers de confianza, con una lista de espera abierta. No hay fecha para el público general.
Project Genie, AI Ultra y el acceso por API
En las próximas semanas llegará a los suscriptores de Google AI Ultra dentro de Project Genie, y a socios de acceso anticipado por Gemini API y Google AI Studio. Ars Technica apunta que podría extenderse a AI Pro y AI Plus con el tiempo, y recuerda que todo pasa por Project Genie, que limita lo que se puede hacer. Tampoco hay precio, resolución ni benchmarks publicados: Genie 3 se anunció a 720p y 24 fotogramas por segundo, pero Genie 4 no repite esas cifras. Una prueba de terceros midió unos 24 fotogramas por segundo, y eso es una medición externa, no una especificación de Google.
Qué significa para el 3D y para quien programa
La pregunta honesta es si esto entra en un flujo de trabajo real.
Lo que Genie 4 no exporta
No hay exportación anunciada a Blender, a glTF ni a un motor de juego. Genie 4 sirve para explorar y previsualizar, no para alimentar una cadena de producción: para llevar una escena real a Blender el camino sigue siendo otro, como en la importación nativa de gaussian splats en Blender 5.3. Uno genera un entorno que responde; el otro da geometría editable.
Métricas que habría que exigir antes de adoptarlo
Antes de meterlo en un flujo de trabajo hay que medir tres cosas: latencia por paso, coste por minuto simulado y tasa de deriva a partir del primer minuto. Ninguna está publicada, así que cualquier decisión de compra se toma a ciegas.
Conclusión
Genie 4 no reemplaza un pipeline, pero cambia lo que se puede prototipar en una tarde: un entorno con sonido, con gente que se mueve de forma creíble y con la posibilidad de corregirlo sobre la marcha. Los tres números que faltan —resolución, precio y latencia— son la próxima noticia, y cuando salgan volveremos sobre el tema. Si te interesa el cruce entre IA y gráficos, en el blog tienes el resto de la cobertura, desde el vídeo generativo que se financia como infraestructura (id 1252) hasta las herramientas que sí entran en tu proyecto.
