O Google DeepMind liberou o Genie 4 para um grupo fechado de testadores nesta terça-feira (27). O novo modelo de mundos cria cenários interativos que mudam durante a simulação, a partir de comandos de texto, e gera áudio junto com a imagem. Segundo a empresa, é o primeiro do tipo a fazer as duas coisas em tempo real.
O que o Genie 4 acrescenta ao Genie 3
Um modelo de mundos não entrega um vídeo fechado. Ele aprende como um ambiente se comporta e monta uma versão navegável desse ambiente, que reage ao que a pessoa faz dentro dele. Se a câmera vira, o cenário continua existindo do outro lado. Se uma pessoa entra na sala, o mundo aceita a presença e segue.
O Genie 4 é a quarta geração do sistema e chega pouco mais de um ano depois do Genie 3, que também foi apresentado como prévia de pesquisa. As mudanças aparecem em três frentes: imagem mais próxima do real, personagens com comportamento mais parecido com o humano e física que erra menos.
A edição em movimento é a parte mais visível. Com uma frase, dá para trocar o clima, mudar o ângulo da câmera ou colocar objetos e pessoas novas na cena. A alteração acontece enquanto o mundo roda, sem reiniciar a simulação.
O tempo de coerência dobrou. Segundo o Google, o Genie 4 mantém o mesmo cenário estável por até dois minutos, contra cerca de um minuto na geração anterior. Em simulação interativa, cada segundo extra obriga o modelo a lembrar onde cada objeto estava. É nesse ponto que a maioria dos sistemas começa a perder o fio.
Áudio nativo: o som nasce junto com a cena
Até aqui, modelos de mundo geravam imagem e deixavam o som para uma etapa separada. O Genie 4 produz os dois no mesmo fluxo. Música, ruído de ambiente e diálogo entram na simulação junto com o quadro.
O detalhe importante é a reação. Quando o usuário muda o clima para uma tempestade, a paisagem sonora acompanha. Quando um personagem é questionado dentro da cena, a resposta vem em voz, no tempo da conversa. O DeepMind chama isso de áudio nativo porque o modelo sintetiza o som, em vez de colar uma trilha pronta por cima do vídeo.
Sincronizar som e imagem já é difícil em vídeo gravado. Em um mundo que muda de acordo com o espectador, o áudio precisa ser gerado e ajustado no mesmo instante em que a cena se altera. É por isso que a empresa trata o recurso como o salto principal desta geração.
Gemini assume o papel de diretor
O Genie 4 não trabalha sozinho. O Gemini, modelo de linguagem do Google, planeja as etapas e confere os quadros, enquanto o Genie cuida da parte visual. A divisão lembra a de uma produção de cinema: um escreve o roteiro e acompanha o resultado, o outro filma.
Em um experimento ligado ao Gemini Robotics, um modelo Gemini 4 Argon dividiu tarefas em passos e o Genie 4 simulou cada um em tempo real. O teste indica um caminho para treinar rotinas de robôs dentro do computador antes de levá-las para o chão de fábrica. Testar um braço mecânico no mundo real custa caro e quebra equipamento. Testar em simulação custa menos e pode ser repetido à vontade.
Tejas Kulkarni, diretor de pesquisa do DeepMind, descreveu esse arranjo como modelo de mundo híbrido: o Gemini escreve código e texto, e o Genie absorve esse material em tempo real, simulando a realidade em diferentes níveis de abstração. Na prática, um sistema planeja e o outro mostra o que aconteceria.
O uso que os testadores descobriram: protótipo de filme
Os usos comerciais que o Google cita são os previsíveis: jogos, aprendizado interativo e robótica. No aprendizado, a empresa sugere algo mais curioso, como entrar em uma pintura histórica e conversar com as figuras retratadas sobre o episódio.
Os testadores encontraram uma aplicação que não estava no roteiro: prototipar filmes. Diego Rivas, engenheiro do DeepMind, disse em coletiva que o tempo real vale mais onde a pessoa precisa manter o ritmo de criação, como na ideação e no storyboard.
O Google já tem o Veo, que gera vídeo em alta definição com áudio sincronizado, e trabalha no Gemini Omni, que promete transformar esses protótipos em material final. Rivas afirmou que essa última parte ainda vai demorar.
Onde o Genie 4 ainda falha
A própria equipe lista os buracos. Quanto mais tempo a simulação roda, mais detalhes e objetos se deslocam do lugar original. A precisão do áudio também não está resolvida. Textos dentro do mundo, como placas e letreiros, nem sempre ficam legíveis.
Para quem for testar, isso significa que o Genie 4 serve para explorar ideias, não para entregar cena final. Rivas repetiu durante a apresentação que o modelo está no começo e que a experiência de produto de ponta a ponta ainda não foi definida. A frase é honesta e também é um aviso: não conte com um motor de jogos pronto.
Quem pode testar o Genie 4 e quando ele chega
A liberação de hoje é uma prévia de pesquisa, restrita a testadores de confiança. Nas próximas semanas, o Genie 4 chega aos assinantes do Google AI Ultra dentro do Project Genie, a ferramenta do Google para criar mundos interativos a partir de texto ou imagem.
Parceiros com acesso antecipado à API do Gemini e ao Google AI Studio também entram nessa primeira leva. Não há data para abertura geral, e a empresa não informou preço separado para o recurso.
A corrida dos modelos de mundos
O Genie 4 aparece em um mercado que começou a se juntar. Dois meses antes, a Runway lançou o GWM Worlds 2, seu segundo modelo de mundos. Na mesma janela, a AMD fechou a compra da World Labs, de Fei-Fei Li, por US$ 8,2 bilhões, e a Amazon negocia a compra da Decart por cerca de US$ 7 bilhões, segundo relatos de imprensa. A Rivian comprou a Third Dimension para levar simulação para dentro de casa e testar direção autônoma.
Os valores vêm de reportagens, não de comunicados das empresas. O movimento, porém, tem uma lógica clara. Construir um modelo de mundos exige dados, chips e tempo. Quem domina a simulação fica com uma peça da cadeia de robótica, entretenimento e treinamento industrial ao mesmo tempo.
Para o leitor comum, o Genie 4 ainda é uma demonstração. O que observar nos próximos meses é simples: se os assinantes do AI Ultra conseguem rodar simulações de dois minutos sem que o cenário desabe, e se estúdios passam a usar o recurso na fase de pré-produção. Se as duas coisas acontecerem, o modelo deixa de ser vitrine e entra no orçamento de alguém.
