Google DeepMind ha rilasciato Genie 4, il nuovo world model in anteprima di ricerca, e per la prima volta il sistema genera audio in tempo reale insieme alle immagini. Musica, rumori ambientali e dialoghi tra personaggi nascono insieme alla scena, che l’utente può modificare mentre la esplora.
Il modello mantiene una scena coerente per circa due minuti, il doppio del limite di Genie 3, uscito poco più di un anno fa e privo di sonoro. Migliorano anche la fisica, che comprende aerodinamica e collisioni, e il comportamento dei personaggi, più vicino a quello umano. Si muove la camera con la tastiera e si cambia il mondo con il linguaggio naturale: basta scrivere per far arrivare la pioggia, spostare l’inquadratura o inserire una persona o un oggetto nuovo. I suoni non sono una traccia aggiunta dopo il rendering. Il vento, le onde o i passi dipendono da ciò che accade nella scena in quel momento.
Dietro c’è la famiglia Gemini. Gemini Omni ancora le simulazioni all’aspetto e al comportamento del mondo reale, mentre altri modelli Gemini si occupano del ragionamento che tiene insieme la coerenza. Gemini 3.8 Flash lavora come agente guida dentro il ciclo di generazione: osserva la scena, scompone l’obiettivo in passaggi, controlla i fotogrammi e riscrive il piano quando l’utente interviene. Gemini adatta anche il prompt scritto al contesto della scena in corso.
Il perché di questa architettura sta nel limite storico dei world model, che devono ricordare ciò che hanno generato e prevedere cosa succede dopo ogni azione. Un generatore di clip produce un video e si ferma. Genie 4 risponde a ogni input fotogramma per fotogramma, e per farlo ha bisogno di un regista che pianifichi e verifichi. Google ne parla come di un passo verso l’AGI e verso ambienti di addestramento sicuri per robot e agenti.
Il fronte più concreto è la robotica. In un esperimento legato a Gemini Robotics, un modello Gemini 4 Argon divide un compito in passaggi e li passa a Genie 4, che li simula mentre procede. L’idea è provare scenari per robot nel mondo virtuale prima di tentarli in quello fisico. Gli altri usi citati sono la previsualizzazione per il cinema, la trasformazione di fotografie d’archivio in simulazioni dinamiche e la prototipazione rapida di videogiochi.
L’accesso è limitato. Il modello è in mano a un gruppo ristretto di tester in settori come creatività, giornalismo, istruzione, gaming e ingegneria. Arriverà presto agli abbonati Google AI Ultra tramite Project Genie e ad alcuni partner in early access su Gemini API e AI Studio. Ogni clip video e audio porterà la filigrana invisibile SynthID. Resta un limite dichiarato: le sessioni durano pochi minuti e gli oggetti tendono a deviare dopo molte modifiche successive.
Il passaggio da una scena di un minuto muta a una di due minuti con voce e suoni è ancora lontano da un mondo persistente. Se la durata continuerà a raddoppiare a ogni generazione, Genie 5 potrebbe avvicinarsi a sessioni di gioco vere e proprie.
