Genie 4: a IA da Google cria mundos com som que mudam com uma frase escrita

Genie 4 é o novo modelo de mundo da Google DeepMind, e os mundos que cria finalmente têm som. Basta descrever uma cena numa frase ou fornecer uma imagem de referência para o modelo gerar um lugar que pode percorrer com o teclado, enquanto reproduz o vento nas árvores, as ondas na praia e as vozes das pessoas que lá estão. Essas pessoas podem agora conversar consigo e reagir ao que faz, algo que a DeepMind descreve como a verdadeira fronteira desta versão.

A maior mudança para quem experimentou versões anteriores é o controlo. Pode escrever uma instrução para mudar o tempo, mover a câmara ou acrescentar à cena uma pessoa ou um objeto, e o Gemini reformula o pedido para o integrar no que já está no ecrã. Entre as suas instruções, o Gemini continua a orientar a simulação para que o mundo não se desfaça. A experiência assemelha-se menos a jogar um videojogo e mais a dirigir um filme num set onde a rodagem nunca pára — e há quem já o esteja a usar assim, nas primeiras fases de teste.

O Gemini planeia a cena enquanto o Genie lhe dá forma

O Genie 4 tira partido dos restantes modelos da Google. Segundo o anúncio da DeepMind, o Gemini Omni ancora cada simulação na aparência e no comportamento do mundo real, enquanto outros modelos Gemini asseguram o raciocínio necessário para manter a coerência da cena de um momento para o seguinte. O Gemini 3.8 Flash funciona como agente orientador: observa o mundo à medida que o Genie 4 o desenha, divide um objetivo em etapas, analisa os fotogramas recebidos para confirmar que cada etapa resultou e altera o plano quando o interrompe.

A DeepMind afirma que o maior salto se nota nas pessoas. As personagens movem-se de forma mais natural, reagem ao que as rodeia e podem ser orientadas durante a simulação; o modelo também lida com fenómenos físicos, como a aerodinâmica e as colisões. As demonstrações no blogue da empresa incluem uma sâmara de ácer a rodopiar até à relva, uma estação ferroviária rural apinhada no Japão dos anos 1980 e uma corrida de dragões na primeira pessoa, acompanhada por estrondosas batidas de asas — tudo com som gerado pelo próprio Genie 4. O Genie 3 criava mundos silenciosos a 720p e 24 fotogramas por segundo; desta vez, a DeepMind não divulgou valores de resolução nem de frequência de fotogramas, pelo que só é possível avaliar a melhoria através dos vídeos que publicou.

Os jogos não são o único objetivo. A DeepMind afirma que simular o mundo é um passo crucial rumo à inteligência artificial geral, e uma das demonstrações junta o Genie 4 ao Gemini 4 Argon para simular o robô humanoide Apollo, da Apptronik, a jogar às damas. O Argon divide a tarefa em etapas e transmite-as ao Genie 4 sob a forma de legendas de texto, enquanto a cena é gerada. A longo prazo, a aposta comercial passa por criar mundos de treino seguros e infinitamente variáveis para robôs e agentes de software, muito antes de alguém vender um jogo Genie.

Os cineastas e os fotojornalistas tiveram acesso primeiro

A DeepMind tem testado o Genie 4 com grupos das áreas das indústrias criativas, do jornalismo, da educação, dos videojogos e da engenharia. Os cineastas usam-no como ferramenta de rascunho para a pré-visualização: entram numa cena em tempo real e fazem várias tomadas enquanto ajustam os ângulos de câmara, a iluminação, os diálogos e a ação. Os criadores de videojogos passam de uma ideia a um protótipo explorável em segundos, antes de escreverem uma única linha de código para o motor do jogo. Os parceiros empresariais estão a testá-lo para gerar cenários rapidamente.

A experiência mais delicada envolve fotojornalistas, que estão a testar como uma única fotografia de arquivo pode dar origem, em segundos, a uma versão simulada daquele lugar, povoada e em movimento. A DeepMind refere também a visualização da evolução de uma enxurrada ou de um incêndio florestal. Um passeio convincente por uma rua histórica real, com pessoas inventadas a falar, também pode ser uma falsificação convincente. A resposta da DeepMind é o SynthID, a marca de água invisível que incorpora em todos os vídeos e áudios produzidos pelo Genie 4, além de avaliações internas de segurança e de uma disponibilização gradual. O SynthID só é útil se as plataformas e os espectadores usarem efetivamente um detetor; além disso, nada no ecrã indica ao espectador desprevenido que as imagens são sintéticas.

Os mundos continuam a perder consistência

A DeepMind é invulgarmente franca quanto às limitações. O Genie 4 mantém um ambiente coeso durante sessões curtas, mas os pormenores visuais e a permanência dos objetos podem mudar à medida que a simulação se prolonga, depois de várias alterações complexas às instruções ou enquanto se percorre a cena. As interações físicas complexas, o áudio preciso em tempo real, o texto legível, a precisão espacial e a consistência a longo prazo são todos problemas de investigação ainda por resolver. Em termos simples, a estante por que passou há um minuto pode já não ser a mesma quando voltar atrás.

A maioria das pessoas também ainda não tem forma de o experimentar. O Genie 4 é uma versão de investigação limitada a testadores de confiança. A Google afirma que chegará em breve aos subscritores do Google AI Ultra através do Project Genie, a sua aplicação Web para gerar mundos, e aos parceiros com acesso antecipado à Gemini API e ao Google AI Studio; as inscrições para a lista de espera já estão abertas. Não há data de lançamento, nem preço anunciado para além da subscrição Ultra, o plano de IA mais caro da Google, nem indicação sobre os países que terão acesso primeiro. Quando o Project Genie foi lançado, a 29 de janeiro de 2026, com o Genie 3, estava disponível apenas para subscritores Ultra nos Estados Unidos com 18 ou mais anos, e as sessões tinham um limite de 60 segundos.

A DeepMind anunciou o Genie 4 a 27 de outubro de 2026, numa publicação assinada por Raia Hadsell, Diego Rivas e Hang Qi. A linha começou em fevereiro de 2024 com um modelo que transformava imagens em simples jogos de plataformas 2D, passou para 3D com o Genie 2, em dezembro de 2024, e chegou à exploração em tempo real com o Genie 3, em agosto de 2025. Cada geração acrescentou algo: uma terceira dimensão, depois movimento em tempo real e agora som e fala. O Genie 4 ainda tem de provar que um mundo consegue lembrar-se de si próprio durante mais do que uma pausa para café.

Etiquetas: inteligência artificial, Google, Gemini, Google DeepMind, Genie 4, modelos de mundo