Google DeepMindが「Genie 4」発表：音声も同時生成する世界モデル

数行のプロンプトを入力するだけで、キーボードで自由に歩き回れる3D空間が立ち上がり、風の音や波のざわめきが響き、街行くキャラクターとそのまま会話までできてしまう世界を想像してみてください。

Google DeepMindが10月27日に発表した「Genie 4」は、まさにそれを形にした次世代の世界シミュレーションモデルです。前世代のGenie 3から約1年、画質のフォトリアリズムが向上しただけでなく、映像と完全に同期した音声をネイティブ生成できるようになりました。

リアルタイム操作とGeminiによる演出

これまでの世界モデルの多くは無音の映像生成にとどまっていましたが、Genie 4は環境音やBGM、さらには登場人物が状況に応じて話す対話音声までも同時に作り出します。

操作は直感的で、PCのWASDキーや矢印キーを使ってキャラクターの移動やカメラワークを制御できます。シミュレーションの途中で「急に大雨を降らせる」「帽子をかぶった人を追加する」といったテキストを入力すれば、シーンの整合性を保ったままリアルタイムに世界が変化します。

この挙動を支えているのがGeminiファミリーの連携です。Gemini Omniが物理挙動や質感のリアルさを担保し、Gemini 3.8 Flashなどの推論モデルがシーンの因果関係を維持するディレクター役を務めます。公開されたデモでは、仮想のApptronik Apolloロボットが人間とチェッカーで対局する様子が描かれ、裏側でGemini 4 Argonが盤面の次の一手を論理的に推論しながらGenieに描画指示を出していました。

シーンの連続性を維持できる時間は最大2分間に延び、前世代から倍増しています。

迫るリアルと残る課題

驚くべき完成度を見せる一方で、Genie 4は依然として初期の研究プレビュー段階です。

生成時間が長くなったり、プロンプトによる編集を何度も重ねたりすると、一度画面外に出た物体の位置がずれるといった物体の永続性（オブジェクト・パーマネンス）の崩れが発生します。また、看板などの文字描写や精密な物理衝突、音声の完全な正確性も研究途上とされています。安全対策として、生成された映像と音声には電子透かし技術「SynthID」が埋め込まれます。

現在は信頼できるテスターのみに提供されており、今後はProject Genieを通じてGoogle AI Ultraプランの加入者や、Gemini APIの早期パートナー向けに順次提供される見込みです。

なぜ重要か

世界モデルを巡る競争は一気に激化しています。RunwayがGWM Worlds 2を発表したほか、AMDによるWorld Labsの買収、AmazonによるDecart買収の観測、RivianによるThird Dimension買収など、大手とスタートアップが激しく入り乱れています。

Googleのアプローチで賢いのは、言語モデルとピクセル生成を組み合わせたハイブリッド構造を本格化させた点です。ルールや論理の組み立てをGeminiに任せ、感覚的な画面と音の描画をGenieが担う分業体制は、単一の画像モデルに物理世界の因果関係を丸暗記させるよりも筋が良いと言えます。

ゲームや映画のクリエイターにとって、現時点で商用ゲームの完成形を作るツールにはなり得ませんが、企画段階のモックアップやプリビズ（事前視覚化）には強力な武器になります。1枚のコンセプトアートから探索可能な空間を数秒で立ち上げ、カメラアングルや照明をリアルタイムにいじれる価値は小さくありません。

ただし、高価なUltraプランへの加入が必要な点や計算コストの高さを考えると、一般の開発者が日常業務に組み込むまでにはまだハードルがあります。それでも、AI生成が静止画や動画の「鑑賞」から、中に入って「体験する」フェーズへと決定的な一歩を踏み出したのは確かです。