[ITmedia News] Google DeepMind、ワールドモデル「Genie 4」発表 音声や会話もリアルタイム生成、Geminiと連携

　米Google傘下のGoogle DeepMindは10月27日（現地時間）、インタラクティブな仮想世界をリアルタイムで生成するAIモデル「Genie 4」を発表した。「Genie 3」よりも映像のリアリティや物理現象の再現能力を高め、環境音や音楽、登場人物の会話も同時に生成できるようになった。まずは限定されたテスター向けに研究プレビューとして提供し、今後、「Google AI Ultra」加入者や開発者にも提供する計画だ。

　Genieは、テキストや画像から仮想世界を生成し、ユーザーの操作に応じて世界を変化させる「ワールドモデル」。あらかじめ完成した映像を再生する一般的な動画生成AIとは異なり、ユーザーが仮想空間を移動したり、環境に働きかけたりすると、その結果をリアルタイムで生成する。

　Genie 4では、自然言語で天候を変えたり、人物や物体を追加したり、カメラを移動させたりできる。空気力学や衝突などの物理現象をシミュレートできるとしている。最も大きな進化として挙げるのは人物の表現で、自然に動いて環境に反応する人物を生成でき、その行動をリアルタイムで指示することもできるという。

駅員が乗客にアナウンスする様子を、テキストで指示しながら生成するデモ（画像：Google DeepMind）

　新たに音声のネイティブ生成に対応し、風や波などの環境音だけでなく、登場人物が状況やユーザーの入力に応じて会話することも可能になった。

　技術面では、GoogleのAIモデル「Gemini」ファミリーとの連携を強化した。「Gemini Omni」が現実世界に即した外観や動作の生成を支え、「Gemini 3.8 Flash」が生成中の場面を監視し、複数の手順からなる行動を計画・修正する。さらに「Gemini 4 Argon」と組み合わせ、ロボットが複雑な作業を実行する様子をシミュレーションする実験も進めている。

　Google DeepMindは、こうした技術を映画制作やゲーム開発、教育、ロボットやAIエージェントの訓練などに応用できるとしている。ただし、現段階では連続して操作できる時間は数分程度で、長時間の利用では物体の外観や位置の一貫性が失われることがある。複雑な物理的相互作用や音声の正確性などにも課題が残る。

　Genie 4は今後、仮想世界の生成・探索サービス「Project Genie」を通じてGoogle AI Ultra加入者に提供するほか、「Gemini API」と「Google AI Studio」でも早期アクセスパートナーに提供する予定だ。Project Genie向けにはウェイトリストへの登録を受け付けている。生成される映像と音声には、AI生成コンテンツを識別する電子透かし「SynthID」を埋め込む。

　Google DeepMindは2025年8月にGenie 3を発表し、2026年1月には同モデルを利用したProject Genieの試験提供を開始した。5月にはGoogleストリートビューとの連携も発表している。