Google「Genie 4」、文章で操れる音付きの世界をリアルタイム生成

Genie 4は、Google DeepMindが開発した新しいワールドモデルだ。生成される世界には、ついに音が加わった。場面を一文で説明するか、参考画像を渡すと、モデルがその中をキーボードで歩き回れる空間を作り出す。木々を揺らす風や浜辺に打ち寄せる波、そこに立つ人々の声まで再生される。登場人物は、こちらの行動に反応しながら会話することもできる。DeepMindは、これこそ今回のリリースが切り開く最前線だと説明している。

以前のバージョンを試した人にとって、より大きな変化は操作性だ。天候を変えたり、カメラを動かしたり、新たな人物や物体を場面に登場させたりする指示を入力できる。Geminiは、画面にすでに映っている内容になじむように指示を書き換える。こちらが指示を出していない間も、Geminiがシミュレーションを導き、世界が崩れないように保つ。ビデオゲームを遊ぶというより、撮影が途切れることのない映画のセットを監督している感覚に近い。初期テスターの中には、すでにそんな使い方をしている人もいる。

Geminiが場面を組み立て、Genieが描き出す

Genie 4は、Googleのモデル群を活用している。DeepMindの発表によると、Gemini Omniが各シミュレーションの見た目や振る舞いを現実世界に根ざしたものにし、ほかのGeminiモデルが、場面の一貫性を次の瞬間へと保つための推論を担う。Gemini 3.8 Flashは、全体を導くエージェントとして処理に加わる。Genie 4が世界を描く様子を見守り、目標を段階に分け、届いたフレームを確認して各段階がうまくいったかを確かめる。途中でこちらが指示を変えれば、計画も組み直す。

おすすめの記事一通の書簡でAnthropicのFable 5とMythos 5が世界中で停止した

DeepMindによれば、最も大きな進歩が見られるのは人物の表現だ。キャラクターはより自然に動き、周囲の状況に反応し、シミュレーション中にも操作できる。モデルは空気力学や衝突といった物理現象も扱う。同社のブログで公開されたデモには、カエデの種がくるくると回りながら草むらに落ちていく場面、1980年代の日本の地方駅に人々が行き交う様子、そして雷鳴のような羽ばたきの音を伴う一人称視点のドラゴンレースが登場する。音はいずれもGenie 4自身が生成したものだ。Genie 3が生成するのは、720p、毎秒24フレームの無音の世界だった。今回はDeepMindが解像度やフレームレートの数値を公表していないため、性能の向上は公開された映像から判断するほかない。

目指すのはゲームだけではない。DeepMindは、世界のシミュレーションが汎用人工知能に向けた重要な一歩だと述べている。デモの一つでは、Genie 4とGemini 4 Argonを組み合わせ、ApptronikのヒューマノイドロボットApolloがチェッカーをする様子をシミュレーションしている。Argonが作業を段階に分け、場面を描画するGenie 4にテキストの説明として渡す仕組みだ。ロボットやソフトウェアエージェントが安全に、無数のパターンで練習できる世界を作ることが、将来的な事業の柱となる。Genieのゲームが売り出されるより、ずっと先の話だ。

映画監督やフォトジャーナリストがいち早く利用

DeepMindは、クリエイティブ業界、ジャーナリズム、教育、ゲーム、エンジニアリングの各分野から集まったグループとGenie 4をテストしている。映画監督は、プリビジュアライゼーションのための下書きツールとして活用する。動き続ける場面の中に入り、カメラアングルや照明、台詞、アクションを調整しながら、複数のテイクを撮影できる。ゲーム開発者は、エンジンコードを一行も書く前に、アイデアから探索可能なプロトタイプを数秒で作り上げる。企業のパートナーは、シナリオを手早く生成する用途を試している。

最も慎重な検証が行われているのは、フォトジャーナリストとの実験だ。1枚のアーカイブ写真から、人物がいて動きのある、その場所のシミュレーションを数秒で作り出せるかを試している。DeepMindは、鉄砲水や山火事の広がりを視覚化する例も挙げている。実在した歴史的な通りを本物らしく歩き回れ、そこにいる架空の人物が話しかけてくるなら、それは本物らしい偽映像にもなりうる。DeepMindの対策は、Genie 4が生成するすべての動画と音声に埋め込む不可視の電子透かしSynthIDに加え、社内での安全性評価と段階的な公開だ。ただし、SynthIDが役立つのは、プラットフォームや視聴者が実際に検出ツールを使った場合に限られる。映像を見ただけでは、それが合成されたものだと一般の視聴者に知らせる手がかりはない。

生成された世界には、まだ揺らぎがある

DeepMindは、技術の限界について異例なほど率直だ。Genie 4は短いセッションなら環境を保てるが、シミュレーションが長く続いたり、複雑な指示で何度も編集したり、場面の中を移動したりすると、視覚的な細部や物体の永続性が変化することがある。複雑な物理的相互作用、正確なリアルタイム音声、読み取れる文字、空間的な正確さ、長期にわたる一貫性は、いずれも未解決の研究課題として挙げられている。簡単に言えば、1分前に通り過ぎた本棚が、振り返ったときには同じ本棚ではないかもしれない。

また、現時点で大半の人はまだ試せない。Genie 4は、信頼できるテスターに限定された研究プレビューだ。Googleによると、まもなく、世界を生成するウェブアプリ「Project Genie」を通じてGoogle AI Ultraの加入者に提供されるほか、Gemini APIとGoogle AI Studioの早期アクセスパートナーにも公開される予定で、ウェイトリストへの登録はすでに始まっている。提供開始日は明らかにされておらず、Googleで最も高額なAIプランであるUltraの加入料以外に価格の発表もない。どの国から提供が始まるかも公表されていない。Genie 3を搭載したProject Genieが2026年1月29日に公開された際は、対象が米国在住の18歳以上のUltra加入者に限られ、セッションも60秒までだった。

DeepMindがGenie 4を発表したのは2026年10月27日。ライア・ハドセル（Raia Hadsell）、ディエゴ・リバス（Diego Rivas）、ハン・チー（Hang Qi）の連名による投稿で発表された。このシリーズは2024年2月、画像をシンプルな2Dプラットフォームゲームに変換するモデルとして始まり、同年12月のGenie 2で3Dに進化し、2025年8月のGenie 3でリアルタイムの探索が可能になった。世代を重ねるごとに、3次元、リアルタイムの移動、そして今度は音と会話が加わった。Genie 4に残された課題は、コーヒーを飲み終えるまでよりも長く、世界が自分自身を覚えていられると証明することだ。

タグ: 人工知能, Google, Gemini, Google DeepMind, Genie 4, Project Genie

関連コンテンツ

人は精神の健康をAIに頼る――効くからではなく、答えるから

Google DeepMind会長兼Alphabet最高科学責任者デミス・ハサビス、人間の脳は「チューリングマシンの生物学的な近似」

Nvidiaが129億ドルを賭けてHugging Faceを買収へ——オープンソースAIの命運は

無料版Gemini、10月9日からFlash-Liteのみ　AI PlusもProを失う

OpenRouterがAIモデル選択を解放、Stripeが主導権を握る

GPT-LiveがChatGPTに全二重音声をもたらす — AIの正体を明かしていたあの間が消えた