Genie 4 de Google DeepMind te permite entrar en un prompt y escucharlo de vuelta
El nuevo modelo del mundo genera escenas fotorrealistas con sonido en tiempo real, controladas por prompts escritos y guiadas por Gemini. Es una vista previa de investigación, no un producto.
Puntos clave
- Google DeepMind anunció Genie 4 junto con pruebas empresariales de Gemini 4 Argon, emparejando un modelo de razonamiento con un simulador de la misma familia.
- Genie 4 es un modelo del mundo: software que genera una escena móvil e interactiva a partir de un prompt de texto, ahora con sonido ambiental y diálogos hablados.
- El acceso va primero a probadores de confianza, luego a suscriptores de Google AI Ultra a través de Project Genie y desarrolladores de acceso temprano en la API de Gemini.
- Cada clip que produce Genie 4 lleva SynthID, la marca de agua invisible de Google para imágenes, video y audio generados por IA.
- Gemini 3.8 Flash funciona en segundo plano como planificador, desglosando el objetivo de un usuario en pasos y verificando cada fotograma para confirmar que la simulación los siguió.
Google DeepMind ha presentado un sistema que convierte una oración escrita en un mundo pequeño y jugable. Se llama Genie 4, y el laboratorio lo presenta como el siguiente paso hacia máquinas que comprendan cómo se comporta realmente la realidad física.
Escribes un prompt. Aparece una escena. Navégala con el teclado, escribe de nuevo para cambiar el clima o agregar una persona, y la escena se ajusta mientras la observas. Ahora también tiene sonido: viento, olas, pasos, voces que responden cuando te diriges a ellas.
Esa última parte es nueva. Genie 3 era silencioso.
¿Qué es un modelo del mundo, en palabras simples?
Un modelo del mundo es software que intenta simular cómo se ve, suena y reacciona un lugar, en lugar de solo predecir la siguiente palabra o pintar una imagen estática. Piénsalo como un motor de juego que se escribe a sí mismo a partir de una oración.
Genie 4 se apoya en dos otros sistemas de Google para hacer esto. Gemini Omni, el modelo multimodal principal de la empresa (uno que maneja texto, imágenes y audio juntos), fundamenta la apariencia y el comportamiento de los objetos. Modelos separados de Gemini manejan el razonamiento que mantiene la escena coherente cuando abandonas una habitación y regresas.
El laboratorio dice que la mejora más notable desde la última versión es en personas. Los personajes se mueven con más naturalidad, responden a su entorno y mantienen conversaciones breves que se adaptan a lo que escribes.
¿Quién puede usarlo y cuándo?
Casi nadie, aún. Google DeepMind está llamando a esto una vista previa de investigación y la entrega primero a probadores de confianza en cine, periodismo, educación e ingeniería. Después, el acceso se abre a suscriptores de Google AI Ultra, el nivel de pago principal de la empresa, dentro de una zona de prueba llamada Project Genie, y a desarrolladores seleccionados en la API de Gemini y Google AI Studio.
Hay una lista de espera. No se ha dado una fecha de lanzamiento al consumidor.
¿Cómo encaja Gemini?
Genie 4 hace los píxeles. Gemini hace el pensamiento. Un modelo ligero llamado Gemini 3.8 Flash observa la simulación mientras se ejecuta, desglosa un objetivo en pasos y verifica cada fotograma para ver si el paso funcionó.
DeepMind también ha estado emparejando Genie 4 con Gemini 4 Argon, el modelo de razonamiento enfocado en empresas que AI2Day cubrió cuando se lanzó para industrias reguladas el mes pasado. En una demostración, Argon planeó los movimientos del robot humanoide Apollo de Apptronik jugando damas, y Genie 4 renderizó el juego alrededor de él.
Este es el patrón que vale la pena observar. Google está cosiendo silenciosamente su modelo de razonamiento, su simulador y su capa multimodal en un bucle. Si se mantiene unido fuera de demostraciones, ese bucle es cómo entrenas un robot o un agente sin bloquear uno real.
¿Qué están haciendo realmente los probadores con él?
Cuatro casos de uso aparecieron en las notas de vista previa.
| Campo | Uso |
|---|---|
| Cine y televisión | Ejecutar múltiples "tomas" de una escena, cambiando luz y diálogos en vivo |
| Fotoperiodismo | Convertir una fotografía de archivo única en un entorno transitable |
| Diseño de juegos | Crear un prototipo de un nivel antes de que se escriba ningún código |
| Simulación empresarial | Generar escenarios de capacitación para robots y agentes de software |
¿Deberían preocuparse las personas ordinarias por falsificaciones?
Un poco, pero Google ha etiquetado al menos la salida. Cada clip de video y audio que genera Genie 4 lleva SynthID, una marca de agua invisible que Google utiliza en todos sus modelos generativos. Hemos seguido SynthID desde que apareció por primera vez el 16 de julio de 2026, y sigue apareciendo en nuevos lugares: el producto de avatar en vivo en septiembre ahora marca cada fotograma con él también. Eso no detiene el mal uso, pero le da a las plataformas y verificadores de hechos una señal a buscar.
Por ahora, nadie puede escribir una oración y generar un noticiero falso convincente en su portátil. El acceso está restringido. Eso cambiará.
El veredicto honesto: la marca de agua es el piso, no el techo. El patrón de Google este año ha sido enviar la capacidad primero y explicar el trabajo de seguridad después. Genie 4 se ajusta exactamente a ese patrón, y la dimensión de audio lo hace una preocupación más urgente que los debates previos sobre marca de agua de imágenes.
