Mundos virtuales que responden con imágenes, movimiento y sonido
Google DeepMind presentó Genie 4, un modelo experimental de inteligencia artificial que genera mundos virtuales interactivos con sonido, diálogos hablados y entornos físicos cambiantes. Anunciado el 27 de octubre, hora de Estados Unidos, el modelo está disponible inicialmente para un pequeño grupo de evaluadores de confianza. Está previsto ampliar el acceso a través de Project Genie, la API de Gemini y Google AI Studio.
Contenido
- Mundos virtuales que responden con imágenes, movimiento y sonido
- En qué se diferencia un mundo interactivo de un video generado
- El audio integra a los personajes en la interacción
- Gemini planifica mientras Genie genera
- Por qué Google quiere que los robots practiquen en este entorno
- La planificación de películas ofrece un uso más inmediato
- Dos minutos de coherencia siguen siendo un límite estricto
- ¿Quién tendrá acceso y cuánto costará?
- De Genie 3 a una competencia más amplia en torno a la simulación
- Puntos clave
Google afirma que Genie 4 puede mantener una escena coherente durante un máximo de dos minutos, el doble del tiempo aproximado de un minuto atribuido a su predecesor, Genie 3. Durante ese periodo, los usuarios pueden desplazarse por un entorno, cambiar el clima, introducir personas u objetos y escuchar cómo los personajes responden a lo que ocurre.
El director ejecutivo de Alphabet y Google, Sundar Pichai, describió el modelo al anunciar la vista previa de investigación:
nuestro modelo del mundo más realista e interactivo
La principal novedad es el audio nativo, es decir, el sonido se genera como parte de la experiencia simulada, en lugar de añadirse después. El viento, las olas, la música de fondo y las conversaciones pueden acompañar los cambios de un mundo. Google también afirma que ha mejorado el movimiento humano y la simulación de efectos físicos, como las colisiones y la aerodinámica, es decir, la forma en que el aire afecta a los objetos en movimiento.
Google está orientando esta tecnología a la planificación de películas, el desarrollo de videojuegos, la educación y el entrenamiento de robots o agentes de IA antes de que operen en entornos reales. Sus limitaciones inmediatas son igualmente prácticas: las escenas duran poco, los objetos pueden cambiar de forma inesperada, puede resultar difícil leer el texto dentro de una escena y la precisión del audio sigue siendo un desafío sin resolver.
En qué se diferencia un mundo interactivo de un video generado
Genie parte de una descripción de texto o una imagen y genera un entorno que los usuarios pueden explorar. Un video generado convencional sigue una secuencia que los espectadores ven. Un modelo del mundo sigue produciendo lo que ocurre a continuación en respuesta a las acciones de los usuarios.
Los controles del teclado permiten desplazarse y colocar la cámara. Las instrucciones escritas pueden modificar el entorno mientras está en funcionamiento, por ejemplo, cambiar el clima, añadir un personaje o mover el punto de vista. Entonces, el sistema debe crear las siguientes imágenes para reflejar esos cambios.
Google describe este proceso como la generación de la experiencia fotograma a fotograma. En lugar de tener que preparar de antemano todas las interacciones posibles, el modelo predice cómo debe continuar la escena cuando alguien actúa dentro de ella.
Esto convierte la continuidad en un desafío central. Una simulación útil debe recordar dónde están los objetos, cómo se mueven las personas y qué ha ocurrido hasta el momento. Una escena que parece convincente durante unos instantes pierde utilidad si su disposición cambia cuando el usuario se da la vuelta.
El audio integra a los personajes en la interacción
Genie 4 añade sonidos ambientales, música y diálogo a ese mundo visual cambiante. Google afirma que el audio puede corresponder al lugar que se genera, por ejemplo, el viento que sopla entre los árboles o las olas que rompen en la costa.
Los personajes también pueden hablar en respuesta a las indicaciones de los usuarios y a los acontecimientos dentro de la simulación. Se espera que sus diálogos cambien según la situación, en lugar de seguir una banda sonora fija. Los usuarios pueden especificar elementos de audio en sus instrucciones, además de elementos visuales.
Google afirma que las figuras humanas también han mejorado: sus movimientos son más naturales y reaccionan a lo que las rodea. Es posible dirigir sus acciones mientras la simulación continúa, de modo que el comportamiento de los personajes y la edición de la escena forman parte de una misma interacción.
El equipo reconoce que la precisión del audio sigue siendo un desafío de desarrollo. Para alguien que planifica una escena o un ejercicio interactivo, el requisito práctico es que el diálogo y los sonidos ambientales sigan siendo adecuados a medida que cambia la acción.
Gemini planifica mientras Genie genera
Google ha integrado más estrechamente su familia de modelos de IA Gemini en Genie 4. Los modelos tienen funciones distintas: Genie genera el mundo simulado, mientras que Gemini ayuda a orientar lo que ocurre y comprueba si el resultado sigue el plan previsto.
Gemini Omni contribuye a definir el aspecto y el comportamiento del entorno. Gemini 3.8 Flash supervisa los fotogramas que recibe, desglosa los objetivos en pasos más pequeños, comprueba si las acciones tienen éxito y ajusta el plan cuando cambia la escena o interviene un usuario.
En términos sencillos, una parte del sistema crea la siguiente imagen mientras otra supervisa el progreso hacia un objetivo. Se espera que esta disposición ayude a que los acontecimientos sigan un orden lógico, en especial cuando una tarea requiere varias acciones y no una sola respuesta inmediata.
Tejas Kulkarni, director de investigación de Google, describió la visión a largo plazo de la empresa durante una sesión informativa:
En el futuro veremos cada vez más estos modelos híbridos del mundo, que combinan Gemini, que escribe código y texto, con Genie, que los incorpora en tiempo real y simula la realidad en distintos niveles de abstracción
La combinación propuesta permitiría que el lenguaje, el código y la simulación visual trabajaran juntos. Genie 4 ya aplica esta división de responsabilidades de forma limitada: Gemini ayuda a orientar un mundo que se genera mientras el usuario lo explora.
Por qué Google quiere que los robots practiquen en este entorno
Google DeepMind está probando cómo Genie 4 podría ofrecer entornos de entrenamiento para robots y agentes de IA. Un agente es un programa que persigue un objetivo al elegir acciones, comprobar sus resultados y decidir qué hacer a continuación.
En un experimento relacionado con Gemini Robotics, Gemini 4 Argon desglosó tareas en pasos que Genie 4 simuló en tiempo real. El objetivo es explorar cómo podría realizar un robot una tarea compleja antes de intentarla en el mundo físico.
Google afirma que los entornos virtuales podrían recrear situaciones difíciles de encontrar o preparar en la realidad. Los desarrolladores podrían cambiar las condiciones y analizar cómo responde un agente, sin tener que reconstruir un espacio de pruebas físico para cada variación.
Las mejoras anunciadas en las colisiones y la aerodinámica son especialmente importantes para este uso. El entrenamiento requiere una relación útil entre una acción y su resultado: por ejemplo, cómo se mueve un objeto tras un contacto o cómo responde un entorno al movimiento. Google reconoce que las interacciones físicas complejas siguen siendo un desafío para el modelo.
La planificación de películas ofrece un uso más inmediato
Los evaluadores de confianza han señalado la creación de prototipos para películas y la elaboración rápida de guiones gráficos como posibles aplicaciones. Un guion gráfico presenta una secuencia de planos antes de filmar. Genie 4 podría permitir a un equipo creativo explorar posiciones de cámara, acciones de los personajes y cambios en la atmósfera mientras una idea aún está tomando forma.
Diego Rivas, ingeniero de Google DeepMind, explicó durante una sesión informativa con la prensa por qué las respuestas inmediatas podrían resultar útiles en esa etapa:
El aspecto de tiempo real es más valioso en ámbitos donde resulta sumamente útil mantener un estado de fluidez en el proceso creativo
Rivas mencionó como ejemplos la generación de ideas y la elaboración de guiones gráficos. La ventaja práctica es la rapidez: un creador podría cambiar una escena y explorar el resultado sin detenerse a preparar una secuencia independiente para cada variación.
Google también ofrece Veo, que genera clips de video con audio sincronizado a partir de instrucciones. Rivas describió una posibilidad futura en la que Gemini Omni podría ayudar a convertir prototipos en recursos creativos, aunque señaló que esas capacidades aún están lejos.
Los videojuegos y la educación interactiva son otros usos propuestos. Lo que tienen en común es una escena que responde a quien participa, en lugar de una pieza de contenido terminada que se reproduce siempre de la misma manera.
Dos minutos de coherencia siguen siendo un límite estricto
El periodo de coherencia de dos minutos anunciado para Genie 4 duplica el límite aproximado de un minuto de Genie 3. Esto da más margen a los usuarios para explorar una idea, pero sigue limitando la duración de una actividad continua.
Google afirma que los objetos y los detalles visuales pueden variar a medida que avanza la simulación. Un objeto puede cambiar de aspecto o de posición, y el sistema puede perder la noción de cómo comenzó la escena. Por eso, las sesiones más largas siguen siendo difíciles, incluso con la ayuda de Gemini para mantener la continuidad.
El texto generado dentro de un mundo también puede ser ilegible. Esto plantea un problema concreto en escenas con señales, instrucciones u otros textos que una persona necesita leer.
Google describe Genie 4 como un modelo experimental en sus primeras etapas y trabaja con evaluadores de distintos campos. Rivas dijo que la experiencia completa del producto aún se está definiendo. Por ahora, la experiencia útil se centra en experimentos breves, y la continuidad visual, el comportamiento físico y el sonido requieren más trabajo.
¿Quién tendrá acceso y cuánto costará?
La vista previa de investigación de Genie 4 comenzó con evaluadores de confianza. Google planea ampliar el acceso para los consumidores a través de Project Genie, para los suscriptores de Google AI Ultra, y para los desarrolladores mediante acuerdos de acceso anticipado que utilizan la API de Gemini y Google AI Studio.
Google ha dicho que esa ampliación llegará pronto, con un despliegue previsto para las próximas semanas, pero no ha dado una fecha concreta. Project Genie acepta inscripciones en una lista de espera. El acceso a la API permitiría a los desarrolladores conectar el modelo con su propio software, mientras que AI Studio ofrece un espacio para experimentar con los modelos de Google.
Se indica que los planes de Google AI Ultra comienzan en 100 dólares al mes. No se ha anunciado un precio independiente para desarrolladores por Genie 4. Se ha mencionado la posibilidad de ampliar más adelante el acceso a través de AI Pro y AI Plus, pero no se ha confirmado como parte del lanzamiento.
Google afirma que los videos y audios generados incluirán SynthID, su marca de agua digital para identificar contenido generado por IA. Esta marca busca ayudar a reconocer el material producido por el sistema a medida que más usuarios accedan a estas experiencias simuladas.
De Genie 3 a una competencia más amplia en torno a la simulación
Genie 4 forma parte de una serie de pasos para facilitar el acceso a los modelos del mundo de Google más allá de las demostraciones de investigación:
- Agosto de 2025: Google DeepMind anunció Genie 3.
- Enero de 2026: Google comenzó a probar Project Genie con ese modelo.
- Mayo de 2026: Google anunció la integración con Street View.
- 27 de octubre, hora de Estados Unidos: Google anunció Genie 4 y su vista previa inicial de investigación.
La competencia también va más allá de las escenas interactivas sin sonido. GWM Worlds 2, de Runway, lanzado un par de meses antes que Genie 4, responde a las acciones de los usuarios e incluye generación de audio.
Otras iniciativas del sector reflejan el interés por la simulación tanto para el desarrollo de IA como para los sistemas físicos. Rivian adquirió Third Dimension para incorporar capacidades de simulación a sus pruebas de vehículos. La adquisición anunciada de World Labs por parte de AMD y las conversaciones de Amazon para comprar Decart también sitúan la tecnología de modelos del mundo en un contexto más amplio de operaciones empresariales, aunque las conversaciones de Amazon siguen en curso.
La última propuesta de Google combina la generación de escenas, el diálogo y la planificación de Gemini en un sistema experimental. El siguiente paso concreto es ampliar el acceso, lo que permitirá a más creadores y desarrolladores descubrir qué tareas breves puede realizar el modelo de forma fiable.
Puntos clave
- Google DeepMind anunció Genie 4 el 27 de octubre, hora de Estados Unidos, y comenzó a ofrecerlo a evaluadores de confianza.
- El modelo genera mundos interactivos con sonidos ambientales, música y diálogos hablados que responden a la interacción.
- Google afirma que las escenas mantienen la coherencia durante un máximo de dos minutos, el doble del límite aproximado de un minuto de Genie 3.
- Los modelos Gemini ayudan a planificar acciones, supervisar las escenas generadas y ajustar las simulaciones.
- Entre los usos previstos figuran la elaboración de guiones gráficos para películas, los videojuegos, la educación y el entrenamiento de robots.
- Los objetos pueden variar, el texto puede ser ilegible y la física compleja y la precisión del audio siguen siendo desafíos de desarrollo.
- Está previsto ofrecer acceso a través de Project Genie, la API de Gemini y Google AI Studio, pero aún no se ha anunciado una fecha concreta para la ampliación ni un precio para desarrolladores.
