Google DeepMindは10月27日、リアルタイムで動く世界モデル「Genie 4」を研究プレビューとして公開した。映像だけでなく音声や会話も同時に生み、シミュレーションの途中でも指示でシーンを変えられる。発表の中身と、まだ埋まっていない溝を整理する。
Genie 4とは何か、動画生成AIと何が違うのか
一般的な動画生成AIは、できあがった映像を再生するだけだ。Genie 4はそこが違う。テキストや画像から仮想世界を組み立て、利用者が動かすたびに結果をその場で作り直す。Google DeepMindはこの仕組みを世界モデル（ワールドモデル）と呼ぶ。
仮想空間を歩き回り、物に触れ、天候を変える。すると変化が即座に返ってくる。あらかじめ用意された分岐をたどるのではなく、そのつど物理の計算をやり直している、というのが建前上の説明である。
Genieシリーズは新しい系統ではない。同じ流れのモデルは2025年8月にGenie 3として登場し、2026年1月には専用のアプリ「Project Genie」の試験提供が始まった。Genie 4はその延長線上にある。世代を1つ進めただけに見えるが、伸び幅は小さくない。
Genie 4で音声をネイティブに生成する
最も大きな変化は音である。風や波の環境音、場面に合う音楽、登場人物の会話まで、映像と同じタイミングで生み出す。Google DeepMindはこれを音声のネイティブ生成と説明する。同社によると、リアルタイムで動く世界モデルが音を最初から扱うのは今回が初めてだという。
「初めて」はあくまで同社の表現である。第三者が同じ条件で確かめた記録は、まだ公開されていない。
音が同時に出ると、できることの幅が変わる。絵コンテに効果音やセリフを後から載せる作業が要らなくなる。逆に、音の正確さは未解決のままだ。同社は会話の自然さと環境音の迫真性について、課題が残ると認めている。
Geminiが監督し、Genie 4が世界を描く
Genie 4は単体で完結しない。Geminiが手順を組み立て、生成中の画面を点検する。Genie 4が映像を描く。この分担が今回の設計の軸だ。
研究の一環では「Gemini 4 Argon」が作業を複数の手順に分け、Genie 4がその場でロボットの動きを再現した。現実の機械に触れる前に、仮想空間で試す流れを想定している。失敗しても壊れるのは画面の中だけだ。
研究ディレクターのTejas Kulkarni氏はハイブリッド世界モデルという言い方を使う。Geminiがコードと文章を書き、Genieが現実を異なる抽象度で吸収して再現するという説明だ。理屈は明快だが、両者をつなぐ部分の精度が実用の可否を決める。
一貫性は2分間に伸びた、それ以上は崩れる
では、2分という長さは実用に足りるのか？前世代では、同じ場面を保てるのは1分程度だった。Genie 4はこれを最長2分まで伸ばした。倍になった数字は地味に見える。しかし生成の現場では、カットをつながずに見せられる長さがそのまま作業の組み方を変える。
物理の再現も改善した。空気の流れ、衝突の勢い、人物の歩き方。機械的な動きではなく、周囲に反応して振る舞う人物を出せるようになった。
公式が認める限界もはっきりしている。長く回すほど細部がずれ、物体の見た目や位置が定まらなくなる。画面内の文字は読みにくいままだ。エンジニアのDiego Rivas氏は、Genie 4はまだ初期段階で、製品としての形は固まっていないと述べている。
一貫性が切れると、何が困るのか。同じ人物が場面ごとに別人に見えれば、長い芝居は成立しない。物体の位置がずれれば、手に取る動きの意味が変わる。2分という上限は作品の長さではなく、途切れずに見せられる単位だと考えたほうがいい。
Project GenieとGemini API、いつから使えるのか
提供は段階を踏む。まずは信頼できるテスト担当者に限る。数週間以内にGoogle AI Ultra加入者がProject Genieで試せるようになり、早期アクセスの契約を結んだ開発者にはGemini APIとGoogle AI Studio経由で届く計画だ。生成した映像と音声には、AI生成物を見分ける電子透かしのSynthIDが埋め込まれる。
誰でもすぐ使えるわけではない。待つ間に、同社が公開している仕様とデモを確認しておくのが現実的だ。
Genie 4とVeo、Gemini Omniはどう違うのか
同じGoogleの中にも、役割の違うモデルがある。Veoは高精細な映像を、同期した音声とともに仕上げる。Genie 4は、利用者が触れて動かせる世界を作る。似て見えるが、出口が違う。
Genie 4が向くのは、答えを1つに決めない場面だ。試行錯誤しながら構想を練る。条件を変えて何度も確かめる。Veoが向くのは、その結果を1本の作品として固める場面になる。Rivas氏は、試作を製品へ引き上げる「Gemini Omni」にも触れたが、実用化にはまだ時間がかかると述べている。
つまりGenie 4は、完成品を作る道具ではなく、作る前の探りを速くする道具だ。この位置づけを取り違えると、期待だけが先に膨らむ。
Genie 4が映画やゲーム、ロボットにもたらすもの
同社はゲーム、対話型の学習、ロボットの3領域を想定する。Rivas氏は、創作の流れの中での速さが価値になると話す。構想や絵コンテの段階で、頭の中の画をその場で動かせる。テスト担当者からは、映画の試作に使えるという声も出ている。
学習の例として、歴史の一場面に足を踏み入れ、絵の中の人物と言葉を交わす使い方が挙げられた。これは構想であり、実装された機能ではない。教育の現場に届くまでには、まだ時間がかかる。
世界モデル市場で進む再編
Genie 4は単独の発表ではない。世界モデルの分野はこの数カ月で形を変えた。2カ月前にはRunwayがGWM Worlds 2を出した。World LabsはAMDに82億ドルで買収され、AmazonはDecartを約70億ドルで買う交渉に入ったと報じられた。RivianはThird Dimensionを取り込んだ。金額はいずれも報道によるもので、当事者が認めたものは限られる。
世界モデルという言葉自体、まだ定義が固まっていない。映像を生む模型、物理を近似する模型、行動を選ぶ模型。同じ呼び名の下に、違うものが並ぶ。Genie 4はその中で、対話しながら動く点を前面に出す。
応用の形が固まらないまま競争が進む分野だからこそ、何ができて何ができないかを分けて見る目が要る。派手なデモの裏で、どこまでが実際に動くのかを確かめたい。
用途も広がっている。ゲームや映像の道具から、ロボットの訓練装置へ。Genie 4はその流れの一部に位置する。数字の大きさに引っ張られず、実際に触れられる範囲で価値を見たい。
Genie 4はまだ研究の段階にある。焦点は、音と映像を同時に生む設計と、Geminiが手順を支える分業にある。まずはProject Genieのウェイトリストに登録し、開発者ならGemini APIの早期アクセス枠を確認する。2分という一貫性の上限と音の精度が、この先どこまで伸びるのかが、次に見るべき点だ。触れた人が自分の用途で試すことが、最も確かな評価になる。
