Genie 4 añade sonido y control en tiempo real al modelo del mundo de DeepMind

Google DeepMind anunció Genie 4 el 27 de octubre de 2026, y la novedad que probablemente más importe es el sonido. El modelo del mundo, que genera una escena interactiva a partir de una instrucción o una imagen fija, ahora produce audio junto con la imagen: sonido ambiente que encaja con el escenario, música y diálogo que responde a lo que hace el usuario. DeepMind califica el lanzamiento de vista previa de investigación para probadores de confianza, no de un producto al que cualquiera pueda apuntarse hoy.

Lectura relacionada: Gemini 4 Argon de Google llega primero a defensores cibernéticos de confianza, con un límite de salida de 1 millón de tokens · El Gemini 3.8 Live de Google razona en voz alta mientras habla.

El acceso se ampliará despacio. La compañía dice que Genie 4 llegará a los suscriptores de Google AI Ultra dentro de Project Genie y a socios de acceso anticipado que usen la API de Gemini y Google AI Studio en las próximas semanas, y hay una lista de espera abierta, según informó The Verge. El segundo cambio es el control. Un usuario puede escribir una instrucción mientras un mundo está en marcha para cambiar el clima, mover la cámara o introducir una persona u objeto, y el modelo reescribe el entorno para que encaje en lugar de volver de golpe al fotograma inicial.

Qué hay debajo de la demostración

Genie 4 se apoya en la familia Gemini en lugar de sustituirla. El anuncio de DeepMind dice que Gemini Omni ancla cada simulación en la apariencia y el comportamiento del mundo real, mientras otros modelos Gemini aportan el razonamiento que mantiene una escena coherente de un momento al siguiente. El sistema es nativamente multimodal según la formulación de la compañía: el audio se genera como parte del mundo, no se añade después.

Los modelos del mundo suelen distinguirse de los generadores de vídeo corrientes por la interactividad. La salida responde a la entrada en lugar de reproducir una secuencia fija, y la promesa de control es lo que hace medible esa diferencia. Si un usuario puede mover la cámara y la escena se reorganiza alrededor del nuevo punto de vista, el modelo tiene algo parecido a un modelo interno del espacio. Si solo produce un fotograma siguiente plausible, la palabra hace menos trabajo del que sugiere.

El cambio menos visible es un agente dentro del bucle. Gemini 3.8 Flash observa la escena generada, divide un objetivo en pasos, revisa los fotogramas y comprueba si el mundo sigue haciendo lo que se le pidió. DeepMind atribuye a ese bucle la ampliación del tiempo que una escena se mantiene entera, hasta unos dos minutos. TechCrunch informa de que eso duplica el límite de Genie 3. Los usuarios no obtienen un archivo de vídeo de dos minutos. Obtienen un mundo que puede mantenerse estable más o menos ese tiempo mientras alguien lo dirige.

Cuánto trabajo hace ese bucle es difícil de juzgar desde fuera. Un agente que revisa fotogramas puede detectar que una escena se aleja de su instrucción, pero ese mismo agente forma parte de la cadena de generación. DeepMind no ha publicado cifras sobre la frecuencia con la que interviene ni sobre cuántos intentos requiere un clip terminado. La arquitectura es la parte más interesante del anuncio y la que menos documentación tiene.

Cuatro promesas, un carrete de demostración

DeepMind agrupa las mejoras en cuatro áreas.

• Control. Las instrucciones en lenguaje natural cambian el clima, la posición de la cámara y el contenido de una escena a mitad de ejecución, y el modelo adapta cada instrucción a lo que ya está en pantalla.
• Física y personas. La compañía afirma que hay mejor aerodinámica y colisiones, y figuras que se mueven como humanos y reaccionan a su entorno.
• Audio. Sonido ambiente, música y diálogo interactivo generados junto con las imágenes y ajustados sobre la marcha.
• Eventos de varios pasos. El razonamiento de Gemini planifica una secuencia y la comprueba, en lugar de generar cada momento por separado. En una demostración de robótica, un modelo Gemini 4 Argon dividió una tarea en pasos para que Genie 4 la simulara, con un robot Apptronik Apollo jugando a las damas.

Son afirmaciones de la empresa. La prueba que las respalda en el material de lanzamiento es un conjunto de vídeos cortos, y Ars Technica construyó su cobertura en torno a ellos. El vídeo que abre el metraje muestra a un hombre con traje marrón tocando el saxofón en una plataforma sobre un lago brumoso. El agua se mueve, el instrumento tiene peso y el sonido pertenece a la escena en lugar de estar superpuesto.

El audio es la afirmación más difícil de evaluar a partir de una nota de prensa. Un diálogo que se mantiene sincronizado con una boca en movimiento es un problema distinto del sonido ambiente que encaja con un bosque, y DeepMind agrupa ambos bajo un mismo epígrafe. Los clips sugieren que la compañía puede hacer las dos cosas en ráfagas cortas. No muestran una conversación que dure.

Para quién está pensado

DeepMind enumera la previsualización de cine y televisión, los guiones gráficos, los prototipos de videojuegos, el fotoperiodismo y la simulación robótica. Sus ingenieros describen el caso del cine con más detalle. Diego Rivas, ingeniero del proyecto, dijo a TechCrunch que la velocidad importa cuando mantiene a un equipo creativo en estado de flujo: «El aspecto de tiempo real se vuelve más valioso en las áreas donde mantener un estado de flujo en el terreno creativo resulta increíblemente útil ... en la fase de ideación, en la fase de guiones gráficos.»

El ejemplo del fotoperiodismo es más extraño. DeepMind dice que algunos probadores han tomado una fotografía de archivo bidimensional y la han convertido en una escena por la que se puede caminar. Es un nuevo tipo de reconstrucción histórica y un nuevo conjunto de preguntas sobre de qué sirve una fotografía como prueba. El material de lanzamiento no dice cómo maneja el modelo las partes de la escena que la fotografía nunca contuvo, que son casi todas.

Para los desarrolladores de videojuegos, la propuesta es probar un estilo visual, un material o una mecánica antes de que nadie escriba código del motor. Los estudios ya prototipan escenas antes de comprometerse con la producción; un mundo generado podría acortar ese paso. Si un estudio planificaría en torno a un mundo que no puede inspeccionar a nivel de código es otra pregunta, y la vista previa no la responde.

DeepMind también menciona la generación de escenarios empresariales, la expresión que usan las compañías para construir una maqueta visual de un proceso antes de comprometer dinero. El anuncio no muestra cómo son esos escenarios, lo que deja la afirmación difícil de evaluar. Sea cual sea el entorno, el valor depende de la fidelidad, y la fidelidad es justo lo que la lista de limitaciones pone en duda.

Tejas Kulkarni, director de investigación de DeepMind, describió el arco más largo en una entrevista con TechCrunch. Su versión tiene modelos Gemini escribiendo código y texto mientras Genie ingiere el resultado y simula lo que produce, con el modelo del mundo actuando como renderizador y sustituto de la física en lugar de como el sistema entero.

El dinero que entra en los modelos del mundo

Genie 4 llega a un mercado que lleva un año comprando empresas de modelos del mundo. Runway lanzó su segundo modelo del mundo, GWM Worlds 2, un par de meses antes de este lanzamiento, según TechCrunch. AMD acordó el 28 de septiembre de 2026 comprar World Labs, la empresa de Fei-Fei Li, por 8.200 millones de dólares, Amazon negocia la compra de Decart por unos 7.000 millones según The Wall Street Journal, y Rivian adquirió el 22 de octubre la startup de modelos del mundo Third Dimension para acelerar la simulación de conducción autónoma.

El patrón es la consolidación en torno a la simulación como insumo de entrenamiento. Un modelo del mundo puede producir experiencia etiquetada para un robot o un coche sin miles de kilómetros de conducción real, y por eso entre los compradores hay un fabricante de chips, un fabricante de automóviles y, según los informes, un proveedor de nube.

Bloomberg enmarcó el lanzamiento de Genie 4 como el de un modelo que «sacudió las acciones de los videojuegos» en su titular del 27 de octubre. La historia está detrás de un muro de pago y el titular no incluye ninguna cifra, así que el tamaño de cualquier movimiento de mercado no queda establecido por el material disponible aquí. Lo que el titular sí muestra es que los inversores leen ahora el lanzamiento de un modelo del mundo como una noticia sobre las editoras de videojuegos tanto como sobre los laboratorios de investigación. Puede que se estén adelantando a la tecnología; la reacción dice algo sobre las expectativas.

«Lo que veremos cada vez más en el futuro son estos modelos del mundo híbridos, donde tienes una combinación de Gemini escribiendo código y texto, y Genie ingiriendo eso en tiempo real y simulando la realidad en distintos niveles de abstracción.» — Tejas Kulkarni, director de investigación de Google DeepMind, a TechCrunch

En qué sigue fallando

La lista de limitaciones de la propia DeepMind es concreta. Los detalles visuales y la permanencia de los objetos pueden desviarse en sesiones largas, después de varias ediciones complejas de la instrucción o mientras la cámara se mueve. Las interacciones físicas complejas, la precisión del audio, el texto legible dentro de un mundo, la precisión espacial y la coherencia a largo plazo siguen siendo problemas de investigación abiertos. TechCrunch informa de que el equipo no ha resuelto la precisión del audio ni el texto legible.

La declaración de seguridad es breve pero concreta. DeepMind dice que todo el vídeo y el audio que produce Genie 4 llevan SynthID, su marca de agua imperceptible, y que realizó evaluaciones internas de seguridad antes de abrir la vista previa. El marcado de agua ayuda a las plataformas a identificar material generado si lo comprueban. No impide que nadie grabe una pantalla.

Qué observar

La primera prueba es la entrega. Una ventana de lanzamiento no es una fecha, y la distancia entre una vista previa para probadores y un producto para suscriptores puede ser larga. Hay que ver si los suscriptores de AI Ultra reciben Genie 4 en el calendario que describió DeepMind, y si el acceso por API llega con las mismas capacidades o con un conjunto reducido.

La segunda es la evaluación independiente. La coherencia de una escena durante dos minutos es el tipo de afirmación que los probadores externos pueden medir, y el resultado interesante será la rapidez con la que un mundo se desmorona cuando alguien deja de dirigirlo como en la demostración. La sincronización del audio y el texto legible son más fáciles de comprobar y más difíciles de falsificar. El efecto de las instrucciones largas es aún más difícil: DeepMind dice que la deriva empeora después de varias ediciones complejas, que es precisamente como trabajaría un equipo de cine. Un sistema que funciona en una toma limpia y se degrada en la quinta revisión tiene un mercado más estrecho de lo que sugiere el lanzamiento.

La tercera es lo que hacen los compradores. Si los estudios de videojuegos empiezan a usar mundos generados en la preproducción, el titular de Bloomberg parecerá profético. Si lo tratan como una herramienta de guiones gráficos y nada más, la reacción del mercado fue ruido. La robótica es el caso más silencioso: un simulador lo bastante bueno para entrenar una política importaría más que cualquier clip de demostración, y nada en el material de lanzamiento lo demuestra todavía.

Por ahora, DeepMind ha mostrado una demostración mejor que la anterior, con sonido. No ha demostrado que el sistema aguante cuando lo conduce alguien de fuera de la compañía. La vista previa de la API y la primera oleada de probadores serán la primera prueba real en un sentido o en otro.

Imagen de portada: un mundo de demostración de Genie 4 generado por Google DeepMind, procedente del metraje de lanzamiento publicado por Ars Technica.