Google DeepMind dio a conocer hoy Genie 4, un modelo de simulación del mundo que lleva la generación multimodal a un nivel sin precedentes, permitiendo que audio, imágenes y diálogos se produzcan simultáneamente mientras la escena evoluciona.
Principales capacidades
El modelo se apoya en la familia Gemini, donde Gemini Omni brinda la apariencia y el comportamiento del mundo real, y otros modelos de Gemini aportan el razonamiento necesario para mantener la coherencia de la simulación. Gracias a esa base, Genie 4 puede iniciar un evento y reproducir de forma automática la reacción del entorno, los sonidos ambientales y la interacción de los personajes.
Entre sus novedades destaca la generación nativa de audio, que reproduce sonidos propios del escenario, desde el viento en los árboles hasta el oleaje en la playa. Además, incluye diálogos interactivos que se adaptan al instante a los inputs del usuario, permitiendo conversaciones en tiempo real con los personajes simulados.
Genie 4 también incorpora un entendimiento avanzado de la física, simulando aerodinámica, colisiones y otros fenómenos con gran realismo, y reproduce personajes que se mueven y responden de forma natural.
Disponibilidad y fase de pruebas
El modelo se está desplegando como vista previa de investigación para probadores de confianza. Los primeros usuarios incluyen suscriptores de Google AI Ultra en el proyecto Genie y socios con acceso temprano a la API de Gemini y a Google AI Studio. Se invita a los interesados a inscribirse en la lista de espera del proyecto Genie.
Seguridad y áreas en desarrollo
Genie 4 incorpora guardias de seguridad alineadas con las políticas de DeepMind y ha sido evaluado internamente para evitar la generación de contenido dañino. Todo el material visual y auditivo generado lleva la marca de agua digital SynthID, que permite identificar contenido creado por IA.
Aunque el modelo mantiene entornos coherentes en sesiones cortas, la fuente indica que pueden aparecer desviaciones visuales, pérdida de permanencia de objetos y desafíos en la precisión del audio y del texto en simulaciones prolongadas o con múltiples modificaciones. Estas limitaciones forman parte de la investigación continua.
