Google DeepMind presentó Genie 4, un modelo de simulación de mundos que genera escenarios visuales con sonido, diálogos y música en tiempo real. Se apoya en la familia de modelos Gemini para mantener la coherencia espacial y un comportamiento físico realista. Por ahora está en fase de preview para evaluadores de confianza.
Es un modelo multimodal: produce imagen y audio al mismo tiempo, con ruidos ambientales como el viento entre los árboles o las olas, y personajes que conversan y reaccionan a las acciones del usuario. El entorno se modifica con instrucciones en lenguaje natural, por ejemplo cambiar el clima, mover la cámara o añadir objetos.
Sus aplicaciones apuntan al cine, como un “modo borrador” para probar tomas, a los videojuegos, para pasar de una idea a un prototipo en segundos, y a la robótica, con entornos de entrenamiento. Pero tiene límites: las simulaciones mantienen la coherencia solo un par de minutos, y generar texto legible o modelar interacciones físicas complejas sigue siendo difícil.
