Genie 4がネイティブ音声とリアルタイムテキスト制御をGoogleの世界モデルにもたらす

ニュース概要

2026年10月27日（火曜日）、Google DeepMindは新しい世界モデル「Genie 4」を発表しました。このモデルは、インタラクティブで写実的な環境をリアルタイムに生成し、Genieシリーズとして初めて映像とともに音声をネイティブに生成します。今回のリリースは現時点では信頼されたテスターに限定された研究プレビューであり、今後数週間のうちにGoogle AI Ultraのサブスクライバーへ広く展開される予定です。

Genie 4とは何か

世界モデルとは、環境の外観や振る舞いをシミュレーションするAIシステムであり、ユーザーは実行中にその中を移動したり、変化を加えたりできます。Genie 4は、約1年前にGoogleが研究プレビューとして公開したGenie 3の後継です。DeepMindは新モデルをネイティブなマルチモーダルであると説明しています。つまり、後から音声を追加するのではなく、映像、音声、インタラクティブな対話を一体的に生成します。

DeepMindによると、このモデルは初期イベントに対して世界がどのように反応するかをシミュレーションし、その際の音響や、登場人物の動き、反応、発話まで再現します。また、写実性と滑らかな動きが向上しており、空気力学や衝突といった現実世界の物理法則もシミュレーションします。

ネイティブ音声

DeepMindは、Genie 4を音声をネイティブに生成する初のリアルタイム世界モデルと呼んでいます。各世界には、風や波など、その設定に適した環境音が与えられます。音楽も生成され、キャラクターはユーザーの行動やシーン内の出来事に合わせて変化するリアルタイムの対話を行うことができます。

TechCrunchは、競合であるRunwayが数か月前に音声生成機能を備えたプレイアブルな世界モデル「GWM Worlds 2」をリリースしたと指摘しています。Googleの動画モデルVeoも同期した音声付きの高解像度動画を生成しますが、探索可能な世界ではなくクリップを生成する点が異なります。

リアルタイム制御

ユーザーは標準的なキーボード操作で移動し、カメラを制御できます。シミュレーションの実行中には、テキストプロンプトを入力して天候の変更、カメラアングルの切り替え、人物やオブジェクトの追加などを行うことも可能です。Geminiは各プロンプトを周囲のシーンに合わせて調整し、入力と入力の間の世界の一貫した進行を保ちます。

世界の中のキャラクターは自然に動き、周囲に反応し、リアルタイムで制御できます。TechCrunchの報道によれば、シーンの一貫性が最大2分間維持されるようになり、Genie 3の制限の2倍となりました。

ループ内でGeminiがどのように機能するのか

Genie 4は、ピクセルレベルのレンダリングとGeminiの構造化推論を組み合わせています。DeepMindによると、Gemini Omniがシミュレーションを実際の外観や振る舞いに根付かせ、他のGeminiモデルが一貫性と連続性を保つための推論を提供します。Gemini 3.8 Flashはガイド役のエージェントとして機能し、シーンを観察し、目標をステップに分解し、各ステップを検証して、世界の変化やユーザーの介入に応じて計画を調整します。

Googleの研究ディレクターであるTejas Kulkarni氏はTechCrunchに対し、「今後ますます目にするようになるのは、こうしたハイブリッド型の世界モデルでしょう」と語りました。DeepMind自身の投稿も同じ方向性を示しており、Geminiの推論とGenieのレンダリングを組み合わせたハイブリッド型を提案しています。

ロボティクスとエージェントの訓練

DeepMindは、Genie 4をロボットやソフトウェアエージェントの訓練環境を構築する手段として位置づけています。Gemini Roboticsに関連するデモの一つでは、「Gemini 4 Argon」と呼ばれるモデルがタスクをステップに分解し、Genie 4がその結果をシミュレーションして、Apptronikの人型ロボットApolloがチェッカーをプレイする様子を表示しました。タスクの各ステップはレンダリング中にテキストキャプションとして表示されます。目的は、物理世界に展開する前に、シミュレーション上でロボットのシナリオを検証することです。

初期段階での活用

信頼されたテスターたちは、クリエイティブディレクションやプリビジュアライゼーション、歴史的・アーカイブ写真のシミュレーション環境への変換、ゲームコンセプトの迅速なプロトタイピング、企業向けシナリオ生成などを試しています。TechCrunchはさらに、歴史画の中に入り込んで描かれた人物と会話するという学習アイデアについても紹介しています。

Google DeepMindのエンジニアであるDiego Rivas氏は、リアルタイム性は「フロー状態を保つ」ことが重要なアイデア出しやストーリーボード作成において最も重要だと述べました。同氏は、まだ初期段階であり、エンドツーエンドの製品体験は明確になっていないと付け加えました。Gemini OmniのようなツールがいずれGenieのプロトタイプをクリエイティブ資産に変えられる可能性はあるものの、それは「まだ先のことだ」と述べています。

制約と安全性

Googleはモデルの弱点について率直に認めています。視覚的な詳細やオブジェクトの永続性は、特に長時間のセッションや多数の編集後に、時間経過とともに変化したりずれたりすることがあります。複雑な物理的相互作用、リアルタイム音声の精度、世界内テキストの可読性、空間的精度、長期的な一貫性は、依然として活発な研究領域です。DeepMindの投稿でもTechCrunchの報道でも、出力解像度、フレームレート、正確なクリップ長の数値は示されていません。

安全性については、DeepMindはプレビュー前に社内評価を実施し、信頼されたテスターから始める段階的ロールアウトを採用しており、Googleのポリシーに沿ったガードレールを適用していると述べています。生成されたすべての動画と音声にはSynthIDによる透かしが付与されます。

利用状況

Genie 4は現在、信頼されたテスター向けの研究プレビューです。今後数週間のうちに、Project Genieを通じてGoogle AI Ultraのサブスクライバーや、Gemini APIおよびGoogle AI Studioの早期アクセスパートナーに提供される予定です。2026年1月29日に開始され、Genie 3を基盤として構築されたProject Genieを通じて、ウェイトリストへの登録を受け付けています。Google AI Ultraプラン以外の具体的な価格や提供国は発表されていません。

業界の動向

世界モデルには多額の投資が集まっています。TechCrunchは、AMDがWorld Labsを買収中であること、AmazonがDecart買収に向けて協議中と報じられていること、Rivianが自動運転シミュレーションのためにThird Dimensionを買収したことを指摘しています。一般的に挙げられる商用ユースケースはゲーム、インタラクティブ学習、ロボティクスであり、これらはまさにGoogleがGenie 4で強調している分野と同じです。

なぜ重要なのか

ネイティブ音声と自由形式の編集が加わったことで、世界モデルは無音で短いデモから、よりインタラクティブなシーンに近い体験へと進化しています。2分間の一貫性ウィンドウと認められたズレは、この技術がまだ初期段階であることを示していますが、推論モデルが計画と検証を行い、世界モデルがレンダリングを担当するハイブリッド設計は、研究者たちが今後さらに多く目にすると予想するパターンです。

出典：TechCrunch（2026年10月27日）、Google DeepMindブログ「Genie 4: A new generation of world simulation」（2026年10月27日）、およびQuartz、Analytics India Magazine、AI Weeklyによる二次報道。