Por Canuto  

Google abrió Genie 4 a los desarrolladores de Gemini API para generar mundos interactivos con video y audio en tiempo real, pero las sesiones duran como máximo 120 segundos y pueden seguir generando cargos hasta que la aplicación las cierre explícitamente.
***

  • Genie 4 genera video interactivo en 720p y 24 fotogramas por segundo, con audio nativo sincronizado.
  • El uso cuesta aproximadamente USD $0,10 por segundo de video y exige una API de nivel pago.
  • Las sesiones no conservan escenas persistentes y pueden seguir facturando si el servidor no recibe una orden de cierre.


Google abre Genie 4 a desarrolladores, pero limita cada mundo interactivo a 120 segundos

La nueva API permite crear escenas que responden a controles de teclado y avisos de texto, aunque no ofrece mundos que puedan conservarse y revisitarse entre sesiones.

Google puso Genie 4 a disposición de desarrolladores a través de la API de Gemini y Google AI Studio el 19 de noviembre de 2026. El modelo genera video continuo en 720p, a 24 fotogramas por segundo, con audio nativo sincronizado, y permite dirigir la escena mientras se desarrolla en lugar de producir únicamente un clip fijo sin conexión.

La apertura incorpora una herramienta para construir prototipos de experiencias interactivas, visualizar conceptos espaciales y explorar entrenamientos para agentes de inteligencia artificial y robótica. Sin embargo, el sistema trabaja con sesiones breves, cobra por el consumo generado y no mantiene una escena 3D persistente que una aplicación pueda guardar y volver a abrir más adelante.

Cómo se construyen los mundos interactivos

La versión para desarrolladores se identifica como models/genie-4 en la API de Interacciones v1beta. Un mundo puede partir de una instrucción de texto, una imagen de referencia o una combinación de ambas, lo que permite fijar una idea inicial sin que el resultado se reduzca a la reproducción de una pieza de video predeterminada.

Durante la sesión, las teclas WASD y las flechas sirven para mover al personaje o ajustar la orientación de la cámara. Los desarrolladores también pueden enviar eventos de texto para modificar aspectos de la escena o incorporar diálogo de personajes, de modo que la interacción combine controles directos con instrucciones escritas en tiempo real.

La documentación distingue ese renderizado receptivo de la generación de un clip de video fijo fuera de línea. En la práctica, el modelo responde a acciones sucesivas y produce nuevos fotogramas mientras la experiencia está en marcha, aunque el acceso a esa capacidad no equivale a disponer de un motor de juego tradicional con un escenario estable y permanente.

Google señala entre los usos posibles la creación de prototipos interactivos, la visualización de ideas espaciales y el entrenamiento de agentes de IA o robóticos. Cada salida incorpora marcas de agua SynthID imperceptibles, según la información difundida sobre el servicio, que también contempla que el desarrollador pueda iniciar el mundo con una imagen de referencia.

El acceso mediante API llegó un día después de una actualización de Project Genie, publicada el 18 de noviembre de 2026. Esa versión ofreció el primer acceso a Genie 4 a suscriptores elegibles de Google AI Ultra y abrió una lista de espera para miembros de Google AI Pro, con creación desde el navegador, un agente de Project Genie y una galería comunitaria.

Precios y control de la facturación

A diferencia de una prueba abierta, Genie 4 requiere una clave de API de Gemini de nivel pago y no está disponible en el nivel gratuito. El precio estándar es de USD $1,50 por millón de tokens de texto o de entrada de imagen de referencia, USD $9 por millón de tokens de salida de texto y USD $17,50 por millón de tokens de salida de video.

El costo de video incluye audio estéreo y Google calcula 240 tokens de salida por fotograma, equivalentes a 5.760 tokens por segundo. Con esa tasa, la tarifa efectiva indicada es de alrededor de USD $0,10 por segundo, o USD $6,05 por minuto, por lo que la duración y el cierre oportuno de cada experiencia tienen un impacto directo en el gasto.

La API por lotes, la inferencia Flex y la inferencia Priority no son compatibles con Genie 4. Los desarrolladores deben organizar la conexión y el flujo de eventos de acuerdo con las opciones disponibles: primero crean una interacción, luego se conectan mediante WebRTC o WebSocket y envían un evento world_setup antes de dirigir la experiencia con acciones del usuario o instrucciones de texto.

Google recomienda WebRTC para aplicaciones interactivas en navegadores, mientras que WebSocket sirve para flujos de trabajo en Python y Node.js, captura de fotogramas y canalizaciones personalizadas. Para una aplicación web, un token efímero puede limitarse a una sola interacción y mantener la clave de larga duración en el backend, una separación que evita exponer esa credencial en el navegador.

El control de facturación requiere una acción explícita: cerrar la pestaña o perder la conexión local no detiene de inmediato la generación en el servidor. La aplicación debe llamar a complete() para terminar la generación y la facturación, o a cancel() para abortarla del lado del servidor; por eso, el apagado no es un detalle de interfaz, sino una parte necesaria de la gestión de costos.

Una ventana breve y sin continuidad garantizada

La documentación del modelo limita cada sesión a 120 segundos y ubica entre los 45 y 90 segundos el tramo de mayor coherencia visual y permanencia de objetos. También advierte que la estabilidad puede deteriorarse después de 60 a 90 segundos, una limitación importante para cualquier aplicación que necesite mantener referencias espaciales durante una secuencia prolongada.

La causa descrita es que Genie 4 genera sobre una ventana temporal móvil, en lugar de trabajar con una escena 3D permanente. Si el usuario deja de mirar un objeto durante ocho segundos o más, o realiza un giro de 360 grados, puntos de referencia, puertas y botones pueden cambiar de posición o restablecerse.

Ese comportamiento impide asumir que el entorno funciona como un mapa duradero para experimentos de robótica o agentes. Un desarrollador puede obtener una escena que reacciona a las entradas, pero no debe tratarla como un mundo estable que almacena la ubicación de cada elemento y conserva esa información para una interacción futura.

La salida tiene una relación de aspecto fija de 16:9, sin modo vertical ni opción para configurar la velocidad de fotogramas. Además, las sesiones se sirven únicamente desde centros de datos en Estados Unidos, una restricción geográfica que puede influir en la respuesta percibida por usuarios que se conecten desde otras regiones.

Latencia, cuotas y límites de la API

La guía de implementación informa una respuesta visual de aproximadamente 0,2 a 0,5 segundos para acciones nativas de teclado cuando la red tiene baja latencia. Los cambios de texto introducidos a mitad de la sesión pueden tardar alrededor de uno a dos segundos, mientras que una latencia de ida y vuelta superior a 150 milisegundos retrasa de forma notable el control con el teclado.

El modelo no admite transmisiones en vivo desde micrófonos ni cámaras web, por lo que los desarrolladores no pueden incorporar esas entradas directas en la interacción descrita. Tampoco ofrece llamada de funciones, conexión con Google Search, salidas estructuradas ni la posibilidad de reanudar una interacción que ya se completó.

Las cuotas dependen del nivel de uso del proyecto pagado. El nivel 1 permite dos sesiones activas concurrentes y 50 solicitudes por día; el nivel 2 eleva esos límites a cinco sesiones y 250 solicitudes, mientras que el nivel 3 admite diez sesiones simultáneas y 1.000 solicitudes diarias.

Los mensajes de control que ocurren dentro de una sesión no consumen cuotas separadas de solicitudes por minuto o por día. Aun así, el límite de duración, el costo por segundo y la imposibilidad de recuperar una interacción terminada perfilan el servicio como un recurso para simulaciones controladas y breves, no como alojamiento de mundos persistentes.

El anuncio de la API amplía las formas de experimentar con Genie 4 y da a los desarrolladores controles para integrar escenas interactivas en sus propios flujos de trabajo. La principal limitación sigue siendo la continuidad: las aplicaciones pueden crear y dirigir un entorno bajo demanda, pero no conservarlo como un mundo que los usuarios puedan visitar de nuevo después de completar la sesión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín