Genie 4発表、映像と会話を同時生成しテキストでリアルタイムに操作
Google DeepMindは2026年10月27日、ワールドモデル「Genie 4」を発表しました。ワールドモデルとは、現実の見え方や動き方をAIでシミュレーションするモデルです。映像と同時に音楽や環境音、会話も生成し、テキストで場面をリアルタイムに変えられるGenie 4について、仕組みと活用例を紹介します。
ARCHETYP Staffingでは現在クリエイターを募集しています。
エンジニア、デザイナー、ディレクター以外に、生成AI人材など幅広い職種を募集していますのでぜひチェックしてみてください！
テキストで世界を操作できるGenie 4の主な機能
Genie 4は、Geminiシリーズの機能を取り込んで開発されたモデルです。Gemini Omniが現実の見た目や動きに沿ったシミュレーションの土台となり、ほかのGeminiモデルが、シミュレーションの一貫性と連続性を保つための推論を担います。ユーザーは標準的なキーボード入力で移動やカメラ操作を行いながら、テキストで場面の展開を誘導できます。Google DeepMindは、Genie 4の進化点として次の4つを挙げています。
1つ目は、リアルタイムでの場面操作です。天候の変更、カメラの移動、人物や物体の追加などを自然言語で指示すると、Geminiが指示の内容を周囲の場面に合わせて調整します。ユーザーが入力していない間もGeminiが場面を監視・誘導し、世界が一貫した形で進むようにしています。
2つ目は、物理現象と人の動きの再現性です。Genie 4は空気力学や衝突といった現実の物理現象をシミュレーションします。Google DeepMindが最も大きな進歩としているのが人物の表現で、キャラクターが自然に動き、周囲の環境に反応し、リアルタイムで操作できるようになりました。
3つ目は音声の生成です。Genie 4は、Google DeepMindのリアルタイムワールドモデルとして初めて、音声を映像と一緒に直接生成します。木々を揺らす風や浜辺に打ち寄せる波など、場面に合った環境音が流れます。さらに、キャラクターがユーザーの入力や世界の出来事に反応して会話する機能も備えています。
4つ目は、Geminiとの連携による複雑な出来事のシミュレーションです。Gemini 3.8 Flashがガイド役のエージェントとして動作し、Genie 4が生成する場面を観察しながら、目標を複数のステップに分解します。生成される映像を確認して各ステップの成否を検証し、場面の変化やユーザーの介入があれば計画をその場で修正します。Google DeepMindは、因果関係の通った世界や手順に沿った動き、複数の段階を踏んだ推論を実現できるとしています。
映像制作やゲーム開発、ロボット研究での活用
Google DeepMindは、Genie 4が現実の業務でどう役立つかを確かめるため、クリエイティブ産業、報道、教育、ゲーム、エンジニアリングの各分野の信頼できるテスターと検証を進めてきました。テスターからは、写実性の向上や音声の生成、リアルタイムでの操作によって、アイデアを写実的なシミュレーションに変えられる点が評価されています。
クリエイティブ分野では、映像の事前検討やアイデア出しのための「下書きモード」としての利用が試されています。たとえば映画制作者は、シミュレーションの中に入り込んで複数のテイクを撮り、カメラアングルや照明、セリフ、演技をその場で調整できます。
報道の分野では、報道写真家が1枚の2Dのアーカイブ写真から、写真に写った環境のシミュレーションを数秒で作る方法を検証しています。人々が行き交う歴史的な場所を体験したり、鉄砲水や山火事などの短期的な環境の変化がどう広がるかを可視化したりする試みです。
ゲーム開発の分野では、最初のアイデアから歩き回れる試作品までを数秒で作る用途が試されています。ゲームエンジンのコードを1行も書く前に、ビジュアルのスタイルや素材の質感、操作の仕組みを自然言語の指示で確認できます。また、さまざまな業界の企業パートナーが、シナリオを素早く一から作る手段としてGenie 4を評価しており、改善すべき点の洗い出しも進めています。
ロボット研究との連携も始まっています。Google DeepMindは、Gemini 4 ArgonとGenie 4を組み合わせ、ロボット向けAIのGemini Roboticsの研究と結びつける実験を行っています。公開された例では、米国のApptronik社の人型ロボットApolloがチェッカーで遊ぶ場面を再現しました。Gemini 4 Argonがタスクを手順に分解し、テキストの説明としてGenie 4に順次渡すことで、シミュレーションを作業の進み具合に合わせて調整します。AIシステムを現実の環境に導入する前に、さまざまな環境での動きを試せる点が特徴です。
提供予定と安全対策、現時点での課題
Genie 4は現在、信頼できるテスター向けのリサーチプレビュー（研究段階の試験公開）として提供されています。今後、Project GenieでGoogle AI Ultraの契約者に、Gemini APIとGoogle AI Studioでは早期アクセスパートナーに向けて提供される予定です。具体的な提供時期は示されていません。Project Genieでは、Genie 4のウェイトリストへの登録を受け付けています。
安全面では、Google DeepMindのほかのモデルと共通の安全ポリシーに沿った、厳格な安全対策を設けています。プレビューの公開前には、有害なコンテンツや悪意のあるコンテンツの生成を防ぐため、社内で安全性の評価を実施しました。幅広く公開する前に意見を集めるため、まずは信頼できるテスターに限定して提供しています。
また、Genie 4が生成する映像と音声にはすべて、電子透かし技術「SynthID」が埋め込まれます。SynthIDは人には知覚できない形で埋め込まれ、AIが生成したコンテンツであることの識別に役立ちます。
一方で、Google DeepMindはGenie 4を初期段階の実験的なモデルと位置づけています。短い時間であれば一貫した環境を保てますが、時間がたつにつれて、細部の見た目や物体の存在が変わったりずれたりすることがあります。特に、シミュレーションを長く続けた場合、複雑な指示を何度も出して場面を変えた場合、場面の中を移動した場合に起こりやすいとしています。複雑な物理的な相互作用、リアルタイム音声の正確さ、読み取れる文字の表示、空間の正確さ、長時間の一貫性は、引き続き研究が進められている分野です。
まとめ
いかがだったでしょうか？
Google DeepMindのGenie 4は、映像と音声、会話を同時に生成し、テキストで場面を操作できるワールドモデルです。今後はProject GenieやGemini API、Google AI Studioでの提供が予定されています。Google DeepMindは、言語モデルなどによる推論と映像のシミュレーションを組み合わせた「ハイブリッドワールドモデル」を有望な方向性とし、GeminiとGenieの連携を第一歩と位置づけています。映像制作やゲーム開発の試作など、企画段階の作業での活用が期待されます。