Google DeepMind presenta Genie 4: simulaciones de entornos en tiempo real con audio nativo

El 27 de octubre de 2026 Google DeepMind anunció Genie 4, la evolución de su 'world model' diseñado para generar simulaciones interactivas en tiempo real. La principal novedad que destaca el post firmado por los investigadores Raia Hadsell, Diego Rivas y Hang Qi es el carácter nativamente multimodal del sistema, que suma a la imagen la generación contextual de música, sonido ambiente y diálogos. En la arquitectura descrita por la empresa, los modelos de la familia Gemini se encargan de la coherencia visual y lógica: Gemini Omni ancla las simulaciones al aspecto y al comportamiento del mundo real, mientras que Gemini 3.8 Flash trabaja en el bucle de control, observa la secuencia, comprueba que los pasos se completen y corrige el plan si el usuario interviene en lenguaje natural para cambiar el tiempo, la dirección de cámara o la composición de la escena. El blog oficial menciona además el modelo Gemini 4 Argon, aunque sin aclarar su función concreta.

Entre los usos que han probado los testers figuran el prototipado rápido de videojuegos, la conversión de fotos de archivo en entornos y la generación de escenarios empresariales; Google menciona también el entrenamiento de robots y agentes. DeepMind describe además experimentos con Gemini Robotics, entre ellos un humanoide Apptronik Apollo simulado que juega a las damas. Según TechCrunch, la coherencia temporal de las escenas llegaría a los dos minutos —el doble que Genie 3—, aunque este dato no aparece en las páginas oficiales publicadas por DeepMind. Faltan también los datos para una comprobación sobre el terreno: la empresa no ha dado a conocer parámetros técnicos básicos como la resolución, la tasa de fotogramas, la latencia de respuesta, los costes de uso o la duración máxima de la sesión. La propia DeepMind reconoce que la pérdida de detalle y de persistencia de los objetos en sesiones largas o tras modificaciones repetidas mediante prompt sigue siendo un problema abierto.

Todos los vídeos y audios generados llevarán la marca de agua SynthID. El despliegue es gradual: por ahora la vista previa está reservada a un grupo reducido de trusted testers; 'pronto' (en las próximas semanas, según TechCrunch) llegará a los suscriptores de Google AI Ultra en Project Genie, con lista de espera, y a los socios con acceso anticipado de la Gemini API y Google AI Studio. En el blog de Google se lee que "Simulating the world is a crucial step toward AGI"; Google DeepMind, en su blog, precisa que "Genie 4 remains an early, evolving area of research". Como dijo a TechCrunch Tejas Kulkarni, research director de Google, en el futuro veremos cada vez más "hybrid world models", es decir, modelos del mundo híbridos. Integrar el audio en la síntesis del espacio muestra la voluntad de tratar la simulación como un único ecosistema sensorial; sin embargo, mientras no haya comprobaciones independientes sobre la latencia y la estabilidad real del entorno, la eficacia del modelo para un uso operativo está aún por medir. — Olya