Genie 4 suma sonido y pone a Gemini a dirigir. Google se guardó las cifras de rendimiento

Google DeepMind ha presentado Genie 4, un modelo de mundo en el que se puede entrar, moverse con el teclado y cambiar lo que ocurre en la escena con texto. La novedad es el sonido, diálogos incluidos, y un Gemini que vigila la simulación mientras corre. Lo que falta son las cifras duras que Google sí daba para su predecesor.

Genie 4 genera mundos con sonido y deja a Gemini de vigilante

Google DeepMind anunció Genie 4 el 27 de octubre de 2026. El usuario recorre un entorno generado con el teclado, controla la cámara y modifica la escena sobre la marcha con un prompt: añade lluvia, un personaje nuevo o un objeto. Según DeepMind, el modelo es multimodal de forma nativa, así que la música, el sonido ambiente y los diálogos de personajes que reaccionan al jugador se generan junto con el mundo. La empresa lo describe como su primer modelo de mundo en tiempo real que genera audio de forma nativa.

Lo interesante está alrededor del modelo. Gemini Omni mantiene el aspecto y el comportamiento del mundo cerca de la realidad. Gemini 3.8 Flash funciona en bucle como agente guía: observa la escena, divide un objetivo en pasos y revisa los fotogramas nuevos para comprobar que cada paso se ha cumplido. En una demostración de robótica, Gemini 4 Argon planifica una tarea para el humanoide Apollo de Apptronik, que juega a las damas, y Genie 4 renderiza cada paso.

Por ahora solo tienen acceso probadores de confianza dentro de un research preview. Después llegarán los suscriptores de Google AI Ultra en Project Genie y los socios con acceso anticipado en la Gemini API y Google AI Studio. El resto puede apuntarse a una lista de espera. Todo el vídeo y el audio de Genie 4 llevará la marca de agua SynthID.

Google lo vende como juego, pero apunta a robots y previsualización de cine

La referencia es agosto de 2025. Con Genie 3, DeepMind dio datos concretos: 720p, 24 fotogramas por segundo y coherencia durante unos minutos. Project Genie, la interfaz pública construida sobre Genie 3, se abrió en enero de 2026 solo para suscriptores de AI Ultra en Estados Unidos mayores de 18 años. Genie 4 desplaza el foco de mirar un mundo a simular sucesos: pones algo en marcha y el modelo decide cómo responde el mundo y cómo suena.

El apartado sobre los probadores revela quiénes son los clientes reales. Cineastas que ruedan varias tomas dentro de la simulación cambiando cámara, luz y diálogo. Desarrolladores de videojuegos que obtienen un prototipo antes de escribir una línea de código en el motor. Fotoperiodistas que prueban a convertir una foto de archivo en un espacio por el que se puede caminar. Empresas que quieren generar escenarios de simulación con rapidez.

La robótica es la dirección con más consecuencias. En lugar de entornos construidos a mano, el modelo puede producir infinitas variantes de una cocina o un almacén donde entrenar a un robot. DeepMind termina describiendo modelos de mundo híbridos: un modelo de lenguaje planifica y cuida la lógica de los hechos, y un modelo de píxeles dibuja la realidad física. Quien construye agentes reconocerá el reparto clásico entre planificador y ejecutor.

Sin cifras de duración ni de física, el realismo sigue siendo una promesa

Aquí flojea el anuncio. DeepMind no dio resolución, fotogramas por segundo, latencia ni cuánto tiempo se mantiene coherente un mundo. Admite que los detalles y la permanencia de los objetos se desvían en simulaciones largas, sobre todo tras varias ediciones complejas del prompt o al moverse por la escena. Las interacciones físicas complejas, la precisión del audio, el texto legible y la precisión espacial siguen siendo problemas de investigación abiertos, según la propia empresa.

Para entrenar robots, esto es clave. Un robot que aprende a coger una taza en un mundo donde la taza se convierte en otra al cabo de un rato aprende con datos falsos. Los clips del blog son grabaciones escogidas, guiadas por prompts largos y muy afinados, no una muestra aleatoria. SynthID reduce el riesgo de imágenes fabricadas, pero solo ayuda a quien sabe y quiere comprobar la marca de agua.

Lo decidirán el precio en la Gemini API y el primer robot entrenado en Genie

La señal principal llegará con la Gemini API. Cuando los desarrolladores tengan Genie 4, conoceremos el precio por minuto de simulación, la latencia y la ventana real de coherencia, justo lo que el blog omitió. La segunda señal es la robótica: si Apptronik u otro socio muestra un comportamiento entrenado en Genie 4 que funcione en hardware real, será un argumento más fuerte que todos los saxofonistas flotando en un lago.

Para los lectores europeos, la disponibilidad es una incógnita. Project Genie se lanzó solo en Estados Unidos y Google aún no ha mencionado países para Genie 4.

El veredicto de Lilith

Google le dio voz al saxofonista del lago y sentó a su lado a Gemini con una lista de control. Un ingeniero que quiera enseñar a un robot a coger una taza en ese mundo preguntará primero lo único que el blog calló: cuánto tiempo sigue siendo la misma taza.