A Google DeepMind anunciou a 27 de outubro o Genie 4, nova versão do seu modelo de mundos interativos. Tal como as versões anteriores, transforma uma descrição em texto ou uma imagem num ambiente que se pode percorrer em tempo real com o teclado. Desta vez, a empresa ataca três limitações antigas: o realismo, a ausência de som e a impossibilidade de mexer numa cena depois de arrancar.
A novidade mais evidente é o áudio. Segundo a DeepMind, é o primeiro modelo de mundos em tempo real da casa a gerar som de forma nativa, pelo que cada cena traz o seu próprio ambiente sonoro, do vento e da água à música tocada pelas personagens. O sistema produz também falas: as personagens conversam e reagem às ações do utilizador ou ao que acontece no mundo simulado.
Passa ainda a ser possível reescrever a cena enquanto ela corre. Uma instrução escrita pode mudar o tempo, deslocar a câmara ou acrescentar uma pessoa ou um objeto, e o Gemini adapta o pedido ao que já está no ecrã. Entre duas intervenções, o Gemini continua a vigiar a cena e a corrigi-la para que o mundo se mantenha coerente. A DeepMind diz ter melhorado a física, como colisões e deslocações de ar, e sobretudo o movimento das pessoas.
Por dentro, o Genie 4 apoia-se na família Gemini. O Gemini Omni ancora a aparência e o comportamento dos elementos, enquanto o Gemini 3.8 Flash funciona como planeador permanente: divide um objetivo em etapas, analisa os fotogramas que vão chegando e confirma cada passo antes de avançar. Numa experiência de robótica, o Gemini 4 Argon enviou legendas passo a passo ao Genie 4 para simular o humanoide Apollo, da Apptronik, a jogar damas, algo que a DeepMind vê como forma de ensaiar tarefas de robôs em cenários imaginados antes de as tentar no mundo real.
De acordo com o TechCrunch e o The Verge, uma cena do Genie 4 mantém-se coerente durante cerca de dois minutos, aproximadamente o dobro do Genie 3, apresentado pela Google em agosto de 2025. O TechCrunch enquadra o lançamento num setor concorrido, onde já está o GWM Worlds 2 da Runway e onde as startups de modelos de mundos começam a ser compradas. Investigadores da Google DeepMind disseram aos jornalistas que o futuro passa por sistemas híbridos, em que modelos de linguagem planeiam e o Genie dá forma visual.
Para já, o acesso é muito limitado. O Genie 4 está disponível apenas para testadores de confiança; seguem-se os assinantes do Google AI Ultra no Project Genie e os parceiros com acesso antecipado à Gemini API e ao Google AI Studio, e há uma lista de espera aberta. Testadores do cinema, do jornalismo, da educação, dos videojogos e da engenharia usaram-no para storyboards, para transformar fotografias de arquivo em cenários exploráveis e para prototipar jogos. Todo o vídeo e áudio gerado leva a marca de água SynthID da Google, e a DeepMind afirma ter feito avaliações internas de segurança antes da pré-visualização.
A DeepMind admite que o Genie 4 continua a ser experimental. A permanência dos objetos e os pormenores podem desviar-se em sessões longas ou após muitas edições, e a física das interações, a fidelidade do som, o texto legível e a precisão espacial ainda precisam de trabalho. Nem o TechCrunch nem o The Verge experimentaram o modelo, pelo que a qualidade mostrada nos vídeos da Google ainda não foi verificada de forma independente.