画像や動き、音に反応する仮想世界
Google DeepMindは、音声や会話、変化する物理環境を備えたインタラクティブな仮想世界を生成する実験的な人工知能モデル「Genie 4」を発表した。米国時間10月27日に発表されたこのモデルは、まず信頼できる少数のテスターに提供される。今後はProject Genie、Gemini API、Google AI Studioを通じて利用できるようにする計画だ。
目次
Googleによると、Genie 4はシーンの一貫性を最長2分間保てる。前モデルのGenie 3で約1分とされていた時間の2倍だ。その間、ユーザーは環境内を移動したり、天候を変えたり、人や物を登場させたりできる。また、起きていることにキャラクターが反応する声も聞こえる。
AlphabetとGoogleの最高経営責任者（CEO）、サンダー・ピチャイ氏は、研究プレビューの発表に際し、モデルについて次のように述べた。
これまでで最もリアルでインタラクティブな世界モデル
最大の追加機能は、音声をネイティブに生成することだ。つまり、後から音を加えるのではなく、シミュレーション体験の一部として生成する。世界が変化するのに合わせて、風や波、BGM、会話などを再生できる。Googleは、人の動きや、衝突、空気が動く物体に及ぼす影響である空気力学といった物理現象のシミュレーションも改善したとしている。
Googleは、映画の企画、ゲーム開発、教育のほか、ロボットやAIエージェントが現実環境で動作する前の訓練にも、この技術を活用する考えだ。一方、当面の制約も明らかだ。シーンは短時間しか続かず、物体が予期せず変化することがある。シーン内の文字は読みづらい場合があり、音声の正確さも課題として残る。
インタラクティブな世界と生成動画の違い
Genieはテキストの説明や画像をもとに、ユーザーが探索できる環境を生成する。一般的な生成動画では、視聴者は一連の映像を見る。世界モデルは、ユーザーの行動に応じて次に起きることを生成し続ける。
ユーザーはキーボードで移動し、カメラの位置を調整できる。実行中に指示を入力して、天候を変えたり、キャラクターを加えたり、視点を動かしたりすることも可能だ。システムは、こうした変更を反映する次の画像を生成する必要がある。
Googleはこれを、体験をフレームごとに生成する仕組みだと説明している。あらゆる操作を事前に用意するのではなく、ユーザーが行動した際にシーンがどう続くべきかをモデルが予測する。
そのため、連続性の維持が大きな課題となる。有用なシミュレーションには、物体の位置や人の動き、すでに起きたことを記憶する必要がある。ユーザーが振り返ったときに配置が変わってしまうなら、一見説得力のあるシーンも実用性を損なう。
音声がキャラクターをやり取りに加える
Genie 4は、変化する視覚世界に環境音や音楽、会話を加える。Googleによると、生成された場所に合った音声を再生でき、木々を吹き抜ける風や岸辺に打ち寄せる波の音なども含まれる。
キャラクターはユーザーの入力やシミュレーション内の出来事に応じて話すこともできる。決まったサウンドトラックに従うのではなく、状況に合わせて会話が変化することを目指している。ユーザーは映像だけでなく、音声要素もプロンプトで指定できる。
Googleによると、人の動きはより自然になり、周囲への反応も改善した。シミュレーションの進行中に動作を指示できるため、キャラクターの振る舞いとシーンの編集を同じやり取りの中で行える。
音声の正確さは、チームも認める開発上の課題だ。シーンやインタラクティブな訓練を計画する場合、状況の変化に応じて会話や環境音が適切に保たれることが実用上求められる。
計画を立てるGemini、生成するGenie
Googleは、GeminiシリーズのAIモデルをGenie 4にさらに密接に組み込んだ。それぞれ役割が異なり、Genieがシミュレーション世界を生成する一方、Geminiは展開を導き、結果が意図した計画に沿っているかを確認する。
Gemini Omniは環境の外観や振る舞いを支える。Gemini 3.8 Flashは入力されるフレームを監視し、目標を小さな手順に分け、行動が成功したかを確かめる。シーンが変化したりユーザーが介入したりした場合は、計画を調整する。
簡単に言えば、システムの一部が次の映像を作る一方で、別の部分が目標に向けた進み具合を見守る。この仕組みは、特に即時の反応だけでなく複数の行動が必要な作業で、出来事が無理のない順序で続くようにすることを目指している。
Googleの研究ディレクター、テハス・クルカルニ氏は、説明会で同社の長期的な構想を次のように語った。
今後ますます目にするようになるのは、Geminiがコードやテキストを書き、Genieがそれをリアルタイムで取り込んで、さまざまな抽象度で現実をシミュレーションする、こうしたハイブリッド型の世界モデルです
構想されているのは、言語やコード、視覚シミュレーションを連携させる仕組みだ。Genie 4はすでに、限定的ながらこの役割分担を採用している。ユーザーが探索する世界を生成しながら、Geminiがその進行を支援する。
Googleがロボットに仮想環境で訓練させる理由
Google DeepMindは、Genie 4をロボットやAIエージェントの訓練環境として利用できるか検証している。エージェントとは、目標に向けて行動を選び、その結果を確認し、次に何をするか判断するソフトウェアだ。
Gemini Roboticsに関連する実験では、Gemini 4 Argonがタスクを手順に分け、Genie 4がリアルタイムでシミュレーションした。現実世界で試す前に、ロボットが複雑な作業をどうこなすかを探るのが狙いだ。
Googleによると、仮想環境では現実には遭遇したり準備したりするのが難しい状況を再現できる。開発者は条件を変えながらエージェントの反応を調べられ、条件ごとに物理的なテスト環境を作り直す必要がない。
衝突や空気力学に関する改善は、特にこの用途で重要となる。訓練では、行動とその結果に有用な関係があることが必要だ。たとえば、物体が接触後にどう動くか、環境が動きにどう反応するかといった点だ。Googleは、複雑な物理的相互作用が依然としてモデルの課題だと認めている。
映画の企画はより身近な用途
信頼できるテスターからは、映画のプロトタイプ制作や迅速な絵コンテ作成が活用例として挙がっている。絵コンテは、撮影前にショットの流れを組み立てるものだ。Genie 4を使えば、アイデアを練っている段階で、制作チームがカメラ位置やキャラクターの動き、雰囲気の変化を試せる可能性がある。
Google DeepMindのエンジニア、ディエゴ・リバス氏は、記者説明会で、即時に反応することがこの段階で役立つ理由を次のように説明した。
リアルタイム性が最も価値を発揮するのは、創作の場で集中した状態を保つことが非常に重要になる領域です
リバス氏は、アイデア出しや絵コンテ作成を例に挙げた。実用上の魅力はスピードにある。制作者は、変更のたびに別の映像を準備することなく、シーンを変えて結果を試せる。
Googleは、プロンプトから音声と同期した動画クリップを生成するVeoも提供している。リバス氏は将来的な可能性として、Gemini Omniがプロトタイプを創作物へ仕上げるのを支援することに言及したが、そうした機能の実現にはまだ時間がかかると述べた。
ゲームやインタラクティブな教育も、用途として提案されている。共通するのは、毎回同じように再生される完成済みのメディアではなく、参加者の行動に反応するシーンだ。
一貫性を保てる2分間は、依然として短い
Genie 4が一貫性を保てるとされる時間は2分間で、Genie 3の約1分から倍増した。アイデアを試す余地は広がるものの、連続して行える作業の長さには依然として制約がある。
Googleによると、シミュレーションの進行とともに物体や視覚的な細部が変化することがある。物体の外観や位置が変わったり、シーンの始まりの状態をシステムが見失ったりする場合がある。そのため、Geminiが連続性の維持を支援しても、長時間のセッションは依然として難しい。
世界の中に生成された文字が判読できないこともある。標識や指示など、人が読む必要のあるテキストを含むシーンでは具体的な問題となる。
GoogleはGenie 4を初期段階の実験モデルと位置付け、さまざまな分野のテスターとともに開発を進めている。リバス氏は、最終的な製品体験の全容はまだ検討中だと述べた。現時点で有用なのは短時間の実験が中心で、視覚的な連続性、物理的な振る舞い、音声はいずれもさらなる改善が必要だ。
利用できるのは誰か、料金はいくらか
Genie 4の研究プレビューは、信頼できるテスターへの提供から始まった。Googleは、Google AI Ultra加入者向けにはProject Genieを通じて、開発者向けにはGemini APIとGoogle AI Studioを利用する早期アクセス提携を通じて、利用対象を拡大する計画だ。
Googleは近く提供を拡大すると説明し、今後数週間以内の展開を見込んでいるが、確定日程は示していない。Project Genieではウェイティングリストの登録を受け付けている。APIを使えば、開発者はモデルを自社のソフトウェアに接続できる。AI Studioは、Googleのモデルを試せる場となる。
Google AI Ultraの料金は月額100ドルからとされている。Genie 4の開発者向け料金は発表されていない。AI ProとAI Plusを通じた提供は、確定した開始時の計画ではなく、将来的な拡大の可能性として議論されている。
Googleによると、生成された動画と音声には、AI生成コンテンツを識別するための同社の電子透かし「SynthID」が付与される。この表示は、シミュレーション体験がより多くのユーザーに届く中で、システムが生成したコンテンツを特定する助けとなることを目的としている。
Genie 3から、シミュレーションをめぐる競争の拡大へ
Genie 4の発表に先立ち、Googleは研究デモの枠を超えて世界モデルを利用できるようにする取り組みを段階的に進めてきた。
- 2025年8月：Google DeepMindがGenie 3を発表。
- 2026年1月：Googleが同モデルを使ったProject Genieのテストを開始。
- 2026年5月：GoogleがStreet Viewとの統合を発表。
- 米国時間10月27日：GoogleがGenie 4と初期の研究プレビューを発表。
競争は、音声のないインタラクティブなシーンの枠を超えて広がっている。Genie 4の数カ月前に公開されたRunwayのGWM Worlds 2は、ユーザーの行動に反応し、音声生成にも対応する。
業界のほかの動きからも、AI開発と物理システムの両方でシミュレーションへの関心が高まっていることがうかがえる。RivianはThird Dimensionを買収し、車両試験にシミュレーション機能を取り込む。AMDによるWorld Labsの買収や、AmazonによるDecart買収交渉と報じられた動きも、世界モデル技術がより広範なM&Aの対象となっていることを示す。ただし、Amazonの件は交渉段階にとどまっている。
Googleが今回発表したのは、シーン生成、会話、Geminiによる計画立案を一つの実験システムに組み合わせたものだ。次の具体的な段階は利用対象の拡大となる。より多くのクリエーターや開発者が、モデルでどのような短時間のタスクを安定して処理できるか確かめられるようになる。
要点
- Google DeepMindは米国時間10月27日、Genie 4を発表し、まず信頼できるテスターへの提供を開始した。
- 環境音や音楽、状況に応じた会話を備えたインタラクティブな世界を生成する。
- Googleによると、シーンの一貫性は最長2分間保たれ、Genie 3の約1分から倍増した。
- Geminiモデルは、行動の計画や生成シーンの監視、シミュレーションの調整を支援する。
- 映画の絵コンテ作成、ゲーム、教育、ロボット訓練などでの利用が計画されている。
- 物体の変化や判読しづらい文字に加え、複雑な物理現象や音声の正確さも開発上の課題として残る。
- Project Genie、Gemini API、Google AI Studioを通じた提供が計画されているが、対象拡大の確定日や開発者向け料金は発表されていない。
