Google DeepMindが「Genie 4」を発表 ― 音声ネイティブでリアルタイムに生成する世界モデルの中身

Google DeepMindは2026年10月27日、リアルタイムでインタラクティブな世界を生成する新しい世界モデル「Genie 4」を発表しました。研究プレビューとして、限定された信頼済みテスターへの提供が始まっています。特に目立つ変化は、映像だけでなく環境音・音楽・対話までを同時に生成する音声ネイティブ対応と、天候やカメラアングル、人物・物体の追加を自然言語でその場で変更できるリアルタイム編集です。

音声ネイティブとリアルタイム編集 ― Genie 3からの変化点

Genie 4は、映像と音声を同時に生成するという点で前モデルと一線を画します。環境音・音楽・対話が映像と一緒に生成されるため、無音の映像に後から音を足す工程が要りません。

もう一つの変化は、生成中のシミュレーションに自然言語でプロンプトを入力し、天候やカメラアングルを変更したり、人物や物体をその場で追加したりできるリアルタイム編集です。動画を見るのではなく、動いている世界の中に入力を続ける、という操作感に近づいています。空気力学や衝突などの物理表現と、キャラクターの動きの自然さも改善されています。

一貫したシーンを維持できる時間には上限があり、最大2分間です。Genie 3の上限の2倍に伸びましたが(Genie 3自体の秒数は公式に明記されていません)、「2分の壁」はまだ残っています。

ディレクターと役者 ― GeminiとGenieの役割分担

Genie 4の生成を支えているのは、GeminiとGenieの役割分担です。Geminiが手順を計画し生成されたフレームを検証するディレクター役を担い、Genieが実際の映像を生成する役者役を担います。DeepMind公式ブログでは、世界の見た目や振る舞いを支えるのが「Gemini Omni」で、一貫性を保つための推論を他のGeminiモデルが担うと説明されています。個別のモデルがどこまでを担当するかの詳細は、これ以上公式には記載されていません。

生成された映像・音声にはSynthIDの電子透かしが付与されます。

想定される用途 ― ロボット訓練からジャーナリズムまで

想定されている用途は幅広く、ロボット・エージェントの安全な訓練環境、ゲーム開発、映画制作の絵コンテやプロトタイピング、インタラクティブ学習(歴史画の中に入って描かれた人物と会話するような例)、ジャーナリズム、製造業が挙げられています。

このうちロボット訓練については、Gemini Roboticsとの連携実験も紹介されており、タスクを手順に分解してリアルタイムにシミュレーションする取り組みが進んでいます。

Googleの研究ディレクターであるTejas Kulkarni氏は、今後はGeminiのコード・テキスト推論とGenieのリアルタイム生成を組み合わせた「hybrid world models」が増えるとの見方を示しています。DeepMindのエンジニアであるDiego Rivas氏は、リアルタイム性が発想や絵コンテの段階で特に価値を持つと述べる一方、製品としての全体像はまだ不明確で初期段階だと強調しています。

残る課題 ― 視覚の一貫性と音声・文字の精度

Googleが自ら認めている課題もあります。長いセッションや複数回の編集では、視覚的な細部や物体の永続性がずれることがあります。音声の正確性や、世界の中に表示される文字の読みやすさも、まだ十分ではありません。

現在利用できるのは信頼されたテスターのみで、今後数週間でGoogle AI Ultra加入者向けの「Project Genie」と、Gemini API・Google AI Studioの早期アクセスパートナーへの展開が予定されています(ウェイトリストあり)。一般提供の日程は明らかにされていません。

内製化・DX検討中の企業への示唆

世界モデルの分野では、AMDによるWorld Labsの買収、AmazonによるDecart買収交渉、RivianによるThird Dimension買収が報じられています。Genie 4が研究プレビューの段階にある間にも、競合となる技術への投資は他社で先に動いています。

私たちが運用している動画制作パイプライン(video-studio)は、ナレーションと画面構成をコード・テキストで記述し、Remotionで合成する仕組みです。決まった台本をもとに動画を組み立てる方式であり、Genie 4のようにユーザーの入力に応じて世界そのものをリアルタイムに生成する仕組みとは層が異なります。

私たちは新しい生成AIツールを検討する際、まずこの「どの層で何を生成しているか」を区別し、想定する用途(説明動画のような決まった台本か、訓練シミュレーションのような介入が要るものか)に合うかを確認する、という順序を取っています。Genie 4は研究プレビューであり、信頼されたテスターのみが使える段階です。業務提案やプロトタイピングへの組み込みは、一般提供の開始とAPIの提供条件が明らかになってから検討するのが実務的です。

まとめ

Googleはこの取り組みをAGIへの一歩と位置付けています。映像を見せるだけでなく、ユーザーの入力に応じて世界そのものを動かし、結果を確かめられる生成モデルだという点が、その位置付けの背景にあると考えられます。音声ネイティブ対応・リアルタイム編集・物理表現の改善という変化と、視覚の一貫性や音声精度といった残る課題が、研究プレビューの段階で同時に存在しています。

今の段階で企業が取れる行動は、採用を決めることではありません。自社のどの業務(訓練シミュレーションか、プロトタイピングか、それ以外か)にこの種の技術が向くかという仮説を、一般提供が始まる前に持っておくことです。

関連

AI エージェントを業務で回すときの設計と運用については、CTO の note に書いています。

• Leadeas CTO｜note

出典

• Genie 4: A new generation of world simulation(Google DeepMind 公式ブログ)
• Introducing Genie 4(Google 公式ブログ)
• Google's Genie 4 world model adds audio, more realistic worlds and real-time steering(TechCrunch)

※ この記事は AI を使用しています。Leadeas が自社開発した AI エージェント基盤で下書きを作成し、人間のレビューを経て公開しています。AI ネイティブ開発会社として自社の技術をそのまま実演する目的で、この手法を用いています。(詳しくは AI 利用ポリシー)