Genie 4 convierte mundos interactivos en algo editable mientras navegas
Google DeepMind ha puesto en marcha la nueva experiencia de Project Genie, que por primera vez da acceso a Genie 4, su modelo de mundos más realista hasta la fecha. La novedad técnica más relevante no es solo la calidad visual, sino que el prompt se puede lanzar en medio de la sesión: mientras te mueves por el mundo generado, escribes una nueva instrucción y el entorno cambia al instante. Puedes cambiar el clima, insertar un personaje o desviar la acción sobre la marcha.
Hasta ahora, este tipo de modelos generaba una secuencia y la reproducía. Genie 4 añade además audio nativo en tiempo real que se adapta a la escena, con ambientes y diálogo de personajes incluidos en la propia generación. Es el mismo salto que se produjo con el audio, pero aplicado al espacio: el vídeo y el sonido dejan de ser dos piezas separadas para convertirse en una simulación única.
Genie 3 no desaparece, y la actualización también llega para él: las sesiones se alargan hasta 3 minutos por generación (antes 60 segundos), se pueden encadenar varios mundos para recorridos más largos y se puede iniciar un mundo desde una imagen panorámica de 360 grados. La generación sigue siendo interactiva, con eventos dinámicos provocados por lenguaje natural durante la exploración.
El Project Genie agent es la otra pieza nueva: un agente que orquesta la suite multimodal de Google para construir el mundo a partir de una descripción en lenguaje natural, con visuales iniciales y una banda sonora generada según el ambiente. Además, Gemini puede entrar en la sesión como observador, que observa lo que ocurre en pantalla, propone rutas y dispara eventos internos sobre la marcha.
Sobre el acceso, hay que ser precisos: Genie 4 es, de momento, exclusivo para suscriptores elegibles de Google AI Ultra, y los miembros de Google AI Pro pueden apuntarse a una lista de espera. Todo el contenido lleva marca de agua SynthID y las entradas y salidas pasan por filtros de seguridad.
Google reconoce que Genie 3 y Genie 4 siguen siendo modelos de frontera en espacio de investigación y que quedan pendientes la latencia de cámara, las interacciones físicas complejas, la precisión del audio en tiempo real y la permanencia de escena a largo plazo.
- Genie 4 llega dentro de la nueva experiencia de Project Genie, por ahora solo para suscriptores elegibles de Google AI Ultra.
- Permite cambiar el mundo en tiempo real con un prompt escrito en medio de la sesión.
- Incorpora audio nativo generado junto a la imagen, con ambientes y diálogo.
- Genie 3 se actualiza: sesiones de hasta 3 minutos, encadenado de mundos y arranque desde panoramas de 360 grados.
- Un agente construye mundos con lenguaje natural y Gemini observa la sesión y propone acciones.
Lo relevante para un perfil de redes y telecomunicaciones no es el espectáculo visual, sino lo que implica en infraestructura. Un mundo interactivo con audio nativo exige generación de vídeo y de sonido en tiempo real para cada usuario activo, lo que multiplica el consumo de GPU y de ancho de banda frente a una inferencia de texto tradicional. Si cada sesión sostenida mueve vídeo y audio generado de forma continua, el cuello de botella deja de estar en el modelo y pasa a estar en el canal de entrega: ancho de banda de salida, latencia y buffering.
El dato de Genie 3, de 60 segundos a 3 minutos de sesión por generación, es en la práctica un aumento de cinco veces en la carga sostenida por usuario. Eso es un problema de dimensionamiento, no de chipset. Los sistemas de mundo interactivo van a empujar con fuerza la discusión sobre cómputo en el borde y sobre inferencia distribuida entre regiones, algo que ya se ve en los cuadernos de ruta de los grandes proveedores de nube.
También me quedo con la parte menos vistosa: Google sigue reconociendo latencia de cámara, permanencia de escena y precisión de audio como problemas abiertos. Es un recordatorio de que el vídeo generado en tiempo real está lejos de ser un producto cerrado, y que cualquier despliegue serio de esta tecnología costará infraestructura cara y una gestión cuidadosa del ancho de banda disponible.