Google DeepMind presentó Genie 4: simulación del mundo en tiempo real con audio y fotorealismo

Google DeepMind anunció Genie 4, su nuevo modelo de mundo, que ofrece un realismo sin precedentes y mejora la simulación interactiva en tiempo real.

Genie 4 es un modelo multimodal nativo, capaz de generar a la vez música, ruidos ambientales y diálogo interactivo junto con el mundo simulado. En otras palabras, produce el sonido que acompaña la escena.

El modelo Genie 4 incorpora y se apoya en capacidades de la familia Gemini. Gemini Omni ancla las simulaciones en apariencia y comportamiento del mundo real, mientras otros modelos Gemini aportan razonamiento complejo para mantener coherencia y continuidad.

Con esa base, el usuario puede poner en marcha un evento y el sistema simula lo que ocurre después: cómo responde el mundo, cómo suena y cómo se mueven, reaccionan y hablan las personas dentro de la escena. El anuncio lo asocia con el avance hacia AGI y con la creación de simulaciones seguras y variables.

Google DeepMind ya comenzó a desplegar Genie 4 como vista previa de investigación para testers de confianza. El objetivo es recopilar opiniones antes de llevarlo a consumidores y desarrolladores, empezando por suscriptores de Google AI Ultra en Project Genie y socios de acceso anticipado de Gemini API y Google AI Studio.

La compañía destaca un fotorealismo mejorado, movimiento fluido y audio nativo. En las grabaciones de interacción en tiempo real, los usuarios usan controles de teclado para navegar y controlar la cámara, y también emplean prompts de texto para orientar la escena mientras evoluciona.

Además, permite modificar la simulación en tiempo real con lenguaje natural: cambiar el clima, mover la cámara o introducir una persona u objeto nuevo. En ese proceso, Gemini adapta el prompt al contexto de la escena y, entre una instrucción y otra, monitorea y guía la escena para que el mundo avance de forma cohesiva.

El anuncio también incluye un ejemplo de prompt detallado, con una escena cinematográfica en un lago, una plataforma flotante, una esfera ámbar y un hombre tocando un saxofón. La descripción pide continuidad visual, luz difusa, movimiento de cámara libre y sonido ambiental realista, sin música de fondo más allá del instrumento.

Con información de: Google DeepMind.