Genie 4: el mundo simulado ya tiene voz

Un mundo que se genera mientras lo recorres

Genie 4 es el sucesor de Genie 3, que Google DeepMind presentó en agosto de 2025. Según la empresa, la idea de fondo es poner en marcha un acontecimiento y dejar que el modelo simule lo que viene después: cómo responde el mundo, cómo suena y cómo se mueven, reaccionan y hablan las personas que hay en él.

Para conseguirlo se apoya en Gemini, la familia de modelos de IA de Google. Según Google DeepMind, Gemini Omni ancla las simulaciones en el aspecto y el comportamiento del mundo real, y otros modelos Gemini aportan el razonamiento que mantiene la continuidad de la escena.

Según Google DeepMind, entender y simular el mundo es un paso crucial hacia la inteligencia artificial general (AGI, artificial general intelligence), y estas simulaciones pueden servir para entrenar robots y agentes de IA o para crear nuevas experiencias interactivas.

El sonido sale del propio modelo

Es la gran novedad respecto a Genie 3. Según Google DeepMind, Genie 4 es su primer modelo del mundo en tiempo real que genera audio de forma nativa, y cada mundo trae el sonido ambiente de su propio escenario, «del viento en los árboles a las olas rompiendo en la playa».

El paso más ambicioso, según la empresa, es el habla humana. Google DeepMind afirma que Genie 4 introduce un diálogo interactivo que se adapta sobre la marcha: los personajes conversan y reaccionan a lo que hace el usuario o a lo que ocurre en el mundo, todo en tiempo real.

Personas más naturales y una física más creíble

Según Google DeepMind, Genie 4 simula mejor la física del mundo real, con escenarios de aerodinámica y colisiones. Entre los ejemplos que publica la empresa hay una semilla de arce que cae del árbol a la hierba y una sandía sobre un pedestal de piedra en un patio soleado.

Pero el cambio que la empresa destaca por encima de todos está en las personas. «El salto más espectacular es cómo Genie 4 simula a las personas», escribe Google DeepMind: personajes que se mueven con naturalidad, responden a su entorno y se pueden dirigir en tiempo real, como los viajeros que abarrotan una estación rural japonesa de los años ochenta en otro de sus ejemplos.

Gemini lleva el volante

Según Google DeepMind, el usuario recorre el mundo y mueve la cámara con el teclado, y con texto cambia la escena en tiempo real: el tiempo atmosférico, el encuadre o la aparición de una persona o un objeto nuevos. Gemini adapta cada instrucción al contexto y, entre una orden y otra, vigila que el mundo avance con coherencia.

Por debajo trabaja Gemini 3.8 Flash como agente guía dentro del bucle («guiding agent in the loop», en palabras de la empresa). Según Google DeepMind, mientras Genie 4 genera el mundo, Gemini observa la escena, divide los objetivos en una secuencia de pasos y revisa los fotogramas que llegan para comprobar que cada paso se ha cumplido; si el mundo cambia o el usuario interviene, ajusta el plan.

Google DeepMind también lo ha combinado con Gemini 4 Argon. En un ejemplo de la empresa, Argon descompone en pasos una tarea y se los pasa a Genie 4 como texto mientras se genera la simulación del robot humanoide Apollo jugando a las damas. Según Google DeepMind, la meta es probar cómo se desenvuelven los sistemas de IA antes de llevarlos al mundo real.

La coherencia aguanta poco

La propia Google DeepMind describe Genie 4 como un modelo temprano y experimental. Según la empresa, mantiene entornos coherentes en sesiones cortas, pero los detalles visuales y la permanencia de los objetos pueden desviarse con el tiempo, sobre todo cuanto más dura la simulación, tras varias ediciones complejas de la instrucción o al desplazarse por la escena.

Según Ars Technica, la propia Google DeepMind advierte de que los mundos de Genie 4 solo se mantienen coherentes «un par de minutos» antes de olvidar cómo empezaron. Es la duración que la presentación de la empresa no concreta.

Quedan además pendientes, según la empresa, las interacciones físicas complejas, el texto legible, la precisión espacial y la coherencia a largo plazo.

Según Google DeepMind, el modelo pasó evaluaciones internas de seguridad antes de esta vista previa, y todo el vídeo y el audio que genera llevan SynthID, la marca de agua digital imperceptible de Google.

Para qué lo usan los primeros testers

Según Google DeepMind, lo prueban grupos de testers de confianza (trusted testers) de las industrias creativas, el periodismo, la educación, los videojuegos y la ingeniería.

Según la empresa, los creativos lo usan como un «modo borrador» para previsualizar: un cineasta puede entrar en una simulación en directo de una escena y rodar varias tomas, cambiando ángulo, luz, diálogo y acción sobre la marcha. También lo exploran fotoperiodistas, que convierten una fotografía de archivo en una simulación del lugar, y desarrolladores de videojuegos, que pasan de una idea a un prototipo explorable.

Quién puede probarlo y cuándo

Genie 4 es por ahora una vista previa de investigación (research preview) para testers de confianza. Según Google DeepMind, después llegará a los suscriptores de Google AI Ultra, dentro de Project Genie, y a los socios de acceso anticipado de la API de Gemini y de Google AI Studio, las vías de Google para desarrolladores. Hay lista de espera.

Según Ars Technica, Google AI Ultra agrupa los planes de IA más caros de Google, desde 100 $ al mes, y no hay calendario concreto ni precio para la API. El mismo medio recuerda que Genie 3 nunca pasó de Project Genie, una experiencia web muy limitada.