Google DeepMind lanza Genie 4, un modelo de mundo interactivo con audio en vivo

Google DeepMind presentó Genie 4 el martes y lo puso a disposición de inmediato de testers de confianza, con un despliegue más amplio previsto para las próximas semanas entre los suscriptores de Google AI Ultra a través de Project Genie y los socios de acceso anticipado de la API de Gemini y de Google AI Studio. Genie 4 es un modelo de mundo —genera entornos virtuales interactivos a partir de indicaciones de texto o imagen— y representa una mejora importante respecto a su predecesor en tres áreas clave. Primero, genera audio nativo y sincronizado: música, sonidos ambientales y diálogos reactivos de los personajes aparecen junto al mundo simulado en tiempo real. Segundo, duplica el límite de coherencia de escena de su predecesor, manteniendo física y colocación de objetos coherentes durante hasta dos minutos. Tercero, los usuarios pueden dirigir las simulaciones mientras se ejecutan escribiendo indicaciones para cambiar el clima, los ángulos de cámara o añadir objetos, lo que hace que la experiencia sea verdaderamente interactiva en lugar de una generación de una sola vez. Genie 4 está estrechamente integrado con Gemini, el modelo de IA de Google, que actúa como director, planificando los pasos y comprobando los fotogramas mientras Genie crea las imágenes. En un experimento de robótica relacionado, un modelo Gemini 4 Argon descompuso tareas en pasos que Genie 4 simuló en tiempo real, apuntando a la posibilidad de probar escenarios de robots de forma virtual antes de su implementación en el mundo real. Entre las aplicaciones potenciales citadas por el equipo se incluyen la creación de prototipos de videojuegos, la simulación de robótica, los guiones gráficos de cine y el aprendizaje interactivo. Las limitaciones actuales incluyen una deriva ocasional en los detalles finos durante simulaciones más largas, así como dificultades para garantizar la precisión del audio y la legibilidad de los textos dentro del mundo simulado.