10月27日、ワールドモデル「Genie 4」が発表されました。映像と同時に音楽や環境音、対話まで生成できる点が特徴で、現在は一部のテスター向けに研究段階のプレビュー版として提供されています。
Geminiファミリーの機能が土台となっており、Gemini Omniが現実に即した見た目や振る舞いを支え、ほかのGeminiモデルがシミュレーションの一貫性を保つための推論を担っています。ロボットやAIエージェントの訓練環境づくりから新しい体験の制作といった用途での使用が想定されています。
言葉でシーン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、テキストで場面そのものを変えられます。天候の変更やカメラの移動、新しい人物や物体の登場といった指示を、普段の言葉で出せる仕組みです。入力された指示は、Geminiが周囲のシーンになじむよう調整します。指示と指示のあいだもGeminiが場面を見守っており、世界が破綻なく進むよう誘導する役割を担います。
物理と人物の表現を強化
物理面では、空気力学や衝突といった現実の現象をシミュレーションします。公開例には、カエデの種が木から草地へ舞い落ちる様子や、石の台に置かれたスイカの場面があります。そのうえで、発表で最も大きな進歩とされたのが人物の表現です。キャラクターは自然に動いて周囲の環境に反応し、その動きをリアルタイムに操作することもできます。
音声をネイティブに生成
Genie 4は、音声をネイティブに生成するリアルタイムワールドモデルです。木々を揺らす風や浜辺に打ち寄せる波など、それぞれの世界にはその場所に合った環境音が付きます。中でも先端の領域とされるのが人の声で、キャラクターはユーザーの入力や世界の出来事に合わせてその場で会話したり反応したりします。
Geminiと組み合わせた複雑な出来事の再現
Geminiと組み合わせることで、何段階にもわたる複雑な出来事もシミュレーションの対象になります。AIシステムが環境の中でどう振る舞うかを、現実世界に持ち込む前に試す狙いもあります。実際には、Gemini 3.8 Flashが案内役として生成の過程に加わります。Geminiは場面を観察しながら目標を手順に分け、届いた映像をもとに各手順の成否を確かめる仕組みです。状況が変わったりユーザーが介入したりした場合も、その場で計画を修正します。
さらに、Gemini 4 Argonとの組み合わせも試されました。Argonがタスクを手順に分け、それを文字の指示としてGenie 4へ順次渡すことで、Apptronikの人型ロボットApolloがチェッカーを遊ぶ様子が再現されています。
テスターによる検証と今後の提供
Genie 4のテストは、すでにクリエイティブ業界や報道、教育、ゲーム、エンジニアリングの分野で進められています。映画制作者はカメラの角度や照明、台詞を変えながら撮り直しを試しており、報道写真家は1枚の古い写真から当時の環境を再現しています。
ゲーム開発者は、エンジンのコードを書く前に探索できる試作品を作る使い方を検証しています。一方で、長時間の利用では細部や物体の一貫性がずれる場合があります。読みやすい文字の描画や空間の正確さも研究途上の課題です。安全面では、生成された映像と音声のすべてにSynthIDが埋め込まれます。
今後はProject GenieでGoogle AI Ultra加入者に、Gemini APIとGoogle AI Studioで早期アクセスパートナーに提供される予定です。現在はウェイトリストを受け付けています。
