Google DeepMind、音声と対話も同時に生成するワールドモデル「Genie 4」を発表

Genie 4とは何か

Google DeepMindが2026年10月27日に発表した新しいワールドモデルです。ワールドモデルとは、世界の見え方や物理的な振る舞いを予測し、生成するAIモデルを指します。Genie 4は「前例のないリアリズム」とリアルタイム対話型シミュレーションの改善をうたっており、ネイティブマルチモーダルとして、音楽のような音声、環境音、対話を世界と同時に生成できると説明されています。

このモデルはGeminiファミリーの能力を取り込んでいます。Gemini Omniがシミュレーションを現実世界の見た目と挙動に固定し、他のGeminiモデルが一貫性と連続性を保つための複雑な推論を担う構成です。ユーザーが出来事を動かすと、世界がどう反応するか、どう聞こえるか、人物がどう動き・反応し・話すかをシミュレートします。

発表では、世界を理解しシミュレートすることがAGI構築の重要な側面であるという位置づけも示されました。ロボットやエージェントの訓練環境の開発から、新しいインタラクティブ体験の創出までを視野に入れています。提供はまず信頼できるテスター向けの研究プレビューで、その後Google AI Ultra購読者向けのProject Genie、Gemini APIとGoogle AI Studioの早期アクセスパートナーへと広げる計画です。

四つの主要な能力

第一に、リアルタイムでの操作です。自然言語で天気を変える、カメラを動かす、新しい人物や物体を導入するといった変更ができ、Geminiが周囲のシーンに合わせてプロンプトを文脈的に適応させます。入力と入力の間もGeminiがシーンを監視・誘導し、世界の進行の一貫性を保つとされています。

第二に、物理と人物のリアリズムです。空気力学や衝突といった現実の物理シナリオをシミュレートします。最も大きな飛躍として挙げられているのが人物のシミュレーションで、自然に動き、環境に有機的に反応し、リアルタイムで操作できるキャラクターを生成します。

第三に、音の生成です。Genie 4は音声をネイティブに生成する初のリアルタイムワールドモデルだと説明されています。木々を渡る風から浜辺に打ち寄せる波まで、その場ならではの環境音を伴います。さらに人間の音声が最前線とされ、その場で適応する対話機能により、キャラクターが会話し、ユーザーの入力や世界の出来事に反応します。

Geminiが推論を担う

複数手順の出来事を扱うため、Gemini 3.8 Flashがループ内のガイドエージェントとして機能します。Genie 4がリアルタイムに世界を生成する間、Geminiがシーンを観察し、目標を一連の手順に分解し、入ってくるフレームを確認して進捗の追跡と各手順の成否の検証を行います。世界が変化したりユーザーが介入したりすると、計画をその場で適応させます。

研究の一環として、Gemini 4 ArgonとGenie 4をGemini Roboticsと組み合わせる実験も行われています。Argonがユーザー指示のタスクを手順に分解し、Genieが描画する流れで、手順はシミュレーションの描画中にテキストキャプションとして差し込まれます。タスク完了に向けてシミュレーションを進行させながら適応させる道が開けるとしています。

今後の方向性として挙げられているのがハイブリッド型ワールドモデルです。コードや言語モデルが持つ論理的・構造的な推論と、ピクセルレベルの豊かな感覚的表現を組み合わせる考え方で、Geminiが構造を整理し物語の時間軸を計画し、Genieが目の前の物理現実をピクセル単位で描画する分担になります。

テスト利用と制約

信頼できるテスターはクリエイティブ産業、ジャーナリズム、教育、ゲーミング、エンジニアリングなどに及びます。映像制作では、シーのライブシミュレーションに入ってカメラアングルや照明、対話、アクションをその場で調整しながら複数の「テイク」を試す使い方が検討されています。フォトジャーナリストは1枚の2Dアーカイブ写真から数秒でその環境のシミュレーションを作ることを模索し、ゲーム開発者はエンジンコードを1行も書く前に、ビジュアルスタイルやマテリアル、インタラクティブな仕組みを自然言語プロンプトで試せる点に注目しています。

一方で制約も明示されています。短いセッションであれば一貫した環境を保てますが、視覚的な詳細や物体の永続性は時間とともにずれたり漂ったりする可能性があります。特にシミュレーションが長時間動く場合、複雑なプロンプト編集を重ねた後、シーン内を移動するときが該当します。複雑な物理相互作用、リアルタイム音声の正確さ、読める文字の描画、空間精度、長期的な一貫性は研究が続く領域です。

安全性については、他のモデルと一貫した安全ポリシーに沿う厳格なガードレールを備えるとしています。プレビュー公開前に内部の厳格な安全評価を実施し、有害または悪意あるコンテンツの生成を防ぐ取り組みが行われました。生成されるすべての映像と音声には、知覚できない電子透かし技術SynthIDが付与されるとのことです。