DeepMind lanza Genie 4: mundos con audio en vivo

¿Qué es Genie 4 y qué lo diferencia de un generador de video?

DeepMind anunció Genie 4, su nuevo modelo de mundo: un sistema que no se limita a generar video, sino que construye entornos interactivos que responden a lo que haces dentro de ellos. El anuncio lo firman Raia Hadsell, Diego Rivas y Hang Qi, y llega en formato de research preview para testers de confianza.

La diferencia es de mecánica, no de estética. En un generador de video escribes un prompt y esperas un clip. En Genie 4 navegas con controles de teclado estándar, mueves la cámara y escribes instrucciones mientras la escena evoluciona. DeepMind lo describe como nativamente multimodal: música ambiental, ruidos del entorno y diálogo interactivo se generan simultáneamente con el mundo.

La arquitectura se apoya en la familia Gemini. Según la compañía, Gemini Omni ancla las simulaciones en la apariencia y el comportamiento del mundo real, mientras otros modelos Gemini aportan el razonamiento necesario para sostener la coherencia y la continuidad de la simulación.

¿Qué cuatro capacidades destaca DeepMind en Genie 4?

• Modificación en tiempo real con lenguaje natural. Puedes cambiar el clima, mover la cámara o introducir una persona u objeto nuevo. Gemini adapta tu prompt al contexto de la escena y, entre tus intervenciones, sigue dirigiendo el mundo para que progrese de forma coherente.
• Realismo físico y de acción humana. Genie 4 simula aerodinámica, colisiones y otros escenarios físicos. DeepMind señala que el salto más marcado está en cómo simula personas: personajes que se mueven con naturalidad, responden a su entorno y pueden dirigirse en tiempo real.
• Audio nativo. Es el primer modelo de mundo en tiempo real de DeepMind que genera audio por sí mismo. Cada mundo carga el sonido ambiente de su propio escenario, del viento entre los árboles a las olas del mar.
• Diálogo interactivo. Los personajes conversan y reaccionan a tus inputs o a eventos que ocurren dentro del mundo, sin guion previo.

¿Cómo se accede a Genie 4 hoy?

Todavía no es un producto abierto. DeepMind empezó a distribuirlo como research preview para testers de confianza y planea abrirlo después a consumidores y desarrolladores, comenzando por suscriptores de Google AI Ultra en Project Genie y por partners de acceso temprano de la Gemini API y Google AI Studio. La compañía habilitó una lista de espera para Genie 4 dentro de Project Genie.

Para un founder, la lectura práctica es que la ventana de acceso temprano ya está abierta, pero el producto todavía no está listo para producción. Quien construya sobre esta capacidad en los próximos meses lo hará sobre una API en movimiento.

¿Por qué DeepMind insiste con el audio y el diálogo?

El audio suele leerse como una mejora cosmética. No lo es si el objetivo son agentes. Un agente que se entrena en un entorno sin sonido aprende un mundo incompleto: no puede reaccionar a una bocina, a una voz que lo llama o a un ruido de fondo que anticipa un evento.

DeepMind enmarca Genie 4 como un paso hacia AGI y menciona dos usos concretos: entornos de entrenamiento para robots y agentes, y nuevas experiencias interactivas. La compañía también destaca que las simulaciones son infinitamente variables y seguras, lo que en la práctica significa que puedes generar escenarios raros o peligrosos sin exponer hardware real.

¿Qué está pasando en el mercado de los modelos de mundo?

Genie 4 no sale en un vacío. El mismo mes, Odyssey presentó Odyssey-3, su modelo de mundo fundacional, que según la compañía ya controla robots y humanoides, conduce vehículos, pilota drones, genera entornos de entrenamiento para agentes de IA y juega videojuegos. Odyssey reportó que entrenó una política de conducción autónoma para rutas en India con aproximadamente 20 horas de datos simulados, y que Flexion ya adoptó el modelo para autonomía de humanoides (Business Wire, vía Yahoo Finance, 8 de octubre de 2026).

El interés de los grandes también es visible. CryptoBriefing reportó, citando a Bloomberg y al Wall Street Journal, que Amazon negocia adquirir la startup Decart por unos US$7.000 millones. Decart desarrolla Oasis, un modelo de mundo interactivo, fue fundada el 7 de septiembre de 2023, emplea a más de 60 personas y ha levantado más de US$450 millones. El mismo reporte indica que Anthropic habría evaluado una operación de US$6.000 millones por la misma compañía y se retiró del proceso en septiembre de 2026.

Dos señales para founders: el talento y las capacidades de simulación se están comprando a precios de infraestructura crítica, y la ventaja competitiva se está desplazando hacia quien controla el entorno de entrenamiento, no solo el modelo.

¿Qué significa esto para tu startup?

Primero, revisa si tu roadmap puede sustituir datos reales por simulación. Odyssey demostró que una política de conducción se puede entrenar con horas de datos simulados en lugar de kilómetros reales. Si tu producto depende de datos costosos de recolectar —visión, robótica, logística, retail—, un modelo de mundo es hoy una alternativa de bajo costo para generar casos borde que nunca verías en producción.

Segundo, prepara tu stack para audio e interacción en tiempo real. Si estás construyendo agentes de voz, onboarding interactivo o experiencias de entrenamiento, el audio nativo cambia el diseño: ya no necesitas encadenar un generador de voz a un generador de video. Empieza por definir qué parte de tu producto se beneficia de un entorno que responde y no de un clip pregrabado.

Tercero, no apuestes todo a un proveedor. Genie 4 llega primero a Google AI Ultra y a partners de la Gemini API, con lista de espera. Mientras la disponibilidad se estabiliza, conviene mantener una capa de abstracción sobre el proveedor de simulación, igual que se hace hoy con los modelos de lenguaje.

Cuarto, mide el costo real de cómputo. Las simulaciones interactivas en tiempo real son intensivas en GPU. Antes de meter un modelo de mundo en tu producto, calcula el costo por sesión de usuario y compáralo con la alternativa de contenido pregrabado.

Conclusión

Genie 4 marca un cambio de categoría: de generar contenido a generar entornos que responden, con audio y diálogo integrados. Para DeepMind es un paso hacia AGI; para un founder, es una herramienta de entrenamiento y una nueva superficie de producto al mismo tiempo. La ventana de acceso temprano está abierta, pero la decisión inteligente no es correr a la lista de espera: es identificar qué problema de tu negocio se resuelve mejor con un mundo simulado que con datos reales.

Fuentes

• DeepMind (fuente original)
• CryptoBriefing
• Yahoo Finance