Google DeepMindがワールドモデル「Genie 4」を発表、音声や会話もリアルタイムで生成
テキスト指示での天候の変更や人物の追加などに対応、まず信頼できるテスターに研究プレビュー
米Google DeepMindは現地時間10月27日、操作や指示に応じて仮想世界をリアルタイムで生成するワールドモデル「Genie 4」を発表した。2025年8月に発表した「Genie 3」に続くモデルで、同社のリアルタイムのワールドモデルとして初めて音声をネイティブに生成するとしている。音楽や環境音のほか、状況や入力に応じて変わる会話も世界と同時に生成でき、まず信頼できるテスター向けに研究プレビューとして公開した。
テキスト指示で天候や人物をリアルタイムに変更
Genie 4では、キーボードで移動やカメラを操作しながら、テキストの指示で天候を変えたり人や物を加えたりでき、Geminiが指示を周囲の場面に合わせて調整する。土台には、Gemini Omniがシミュレーションを実世界の見た目や挙動に結びつけ、ほかのGeminiモデルが一貫性を保つための推論を担う仕組みがある。
最大の進化は人物の表現
DeepMindが最も大きな進化として挙げるのが人物の表現で、自然に動いて環境に反応する人物を生成し、その行動もリアルタイムで指示できるという。空気力学や衝突といった物理現象も再現できるとしている。
Geminiが計画を調整、ロボットの検証にも
Genie 4がリアルタイムで生成している間、Gemini 3.8 Flashが場面を観察し、目標を段階に分けて、各段階を達成できたかを確認しながら計画を調整する。Gemini 4 Argonとの組み合わせでは、Apptronikのヒューマノイド「Apollo」がチェッカーをプレーする様子をシミュレーションした。ロボットやAIエージェントの訓練環境づくりに役立つとしている。
現時点の制約と今後の提供
Genie 4は現時点で初期の実験的なモデルで、一貫性を保てるのは短いセッションが中心になる。実行が長くなったり、複雑な編集を重ねたりすると、細部や物体の永続性がずれることがあり、読める文字の描画や複雑な物理の相互作用も研究課題とする。生成する映像と音声には、AI生成を識別できる電子透かし「SynthID」を入れる。
提供先は、近くGoogle AI Ultra契約者と、Gemini APIおよびGoogle AI Studioの早期アクセスパートナーにも広がる予定になっている。Google AI Ultra契約者へは、仮想世界を作成・探索できるGoogleの研究プロトタイプ「Project Genie」を通じて提供し、ウェイトリストを受け付けている。
音声や会話まで含めて仮想世界を生成できる点は、ゲームや映像の試作、ロボットの訓練環境づくりの幅を広げそうだ。
参照サイト
Google DeepMind
Genie 4: A new generation of world simulation
