Ep.1580 Google DeepMindが世界モデル「Genie 4」を発表──環境音や会話までリアルタイム生成しGeminiが監督する次世代シミュレーション（2026年10月29日配信）

タイトル

Google DeepMindが世界モデル「Genie 4」を発表──環境音や会話までリアルタイム生成しGeminiが監督する次世代シミュレーション

このエピソードで登場するキーワードを説明します。

Genie 4: Google DeepMindが2026年10月27日に発表した最新の世界モデル（ワールドモデル）。キーボードやテキストの指示に応じて、音付きの操作可能な仮想空間をリアルタイムに生成する。

ワールドモデル（世界モデル）: 単なる映像の再生ではなく、物理法則や空間の因果関係を理解し、「次にユーザーや環境がこう動けば世界はどう変化するか」をリアルタイムに予測・描画し続けるAIモデル。

Gemini Omni: Googleのマルチモーダル基盤モデル。Genie 4において、現実世界に即したリアルな外観や物理的な挙動のシミュレーションを土台として支えている。

Gemini 3.8 Flash / Gemini 4 Argon: Genie 4の背後で空間の一貫性を監視・制御する推論モデル群。Gemini 3.8 Flashがリアルタイムな場面進行の監督を担い、Gemini 4 Argonは複雑なロボット制御シミュレーションなどの高度な計画に用いられる。

Project Genie: Googleが提供する、ブラウザ上で仮想世界を生成・探索できる実験的プラットフォーム。Google AI Ultraの契約者などに向けて展開されている。

SynthID: Google DeepMindが開発した、AIによって生成された映像や音声のピクセル・波形データに直接埋め込まれる人間の目や耳には知覚できない電子透かし技術。

それでは解説に入ります。

テキストから高精細な映像を作る「動画生成AI」の次のフロンティアとして、人間やAIエージェントが自由に歩き回り、環境に働きかけることができる「世界モデル（ワールドモデル）」の進化が加速しています。米国時間の2026年10月27日、Google DeepMindはリアルタイムで対話可能な仮想空間を生成する最新のワールドモデル「Genie 4」を発表しました。2025年8月に発表された前世代の「Genie 3」から映像の写実性と物理演算の精度を飛躍的に高めただけでなく、シリーズとして初めて「音声のネイティブ同時生成」に対応したのが最大の特徴です。

一般的な動画生成AIであるVeoやSoraなどが、最初に与えたプロンプトから「完成した1本のビデオクリップ」を出力するのに対し、Genie 4はキーボードの移動キーやカメラ操作、そしてリアルタイムのテキスト指示に反応して、その場で世界の続きを描き出し続けます。今回のアップデートでは、大きく4つの能力が強化されました。

1つ目は、自然言語によるリアルタイムな世界の改変です。ユーザーは仮想空間の中を移動しながら、「天候を雨に変える」「新しい人物やオブジェクトを登場させる」「カメラアングルを切り替える」といった指示をテキストで随時入力できます。すると、空間全体の文脈や光の当たり方を壊すことなく、シームレスに世界が変化します。

2つ目は、物理現象と「人物表現」の劇的な進化です。空気力学や物体の衝突、水面の揺らぎといった物理シミュレーションが精緻になったほか、最も大きな進歩として「自然に動き、環境に反応する人間」を生成できるようになりました。たとえば公開されたデモでは、霧の立ち込める湖に浮かぶプラットフォームの上で、サックスを吹く男性の微細な呼吸や指の動き、体の揺れまでが16ミリフィルムのような質感でリアルに再現され、周囲を自由にカメラで回り込んで探索する様子が示されています。

3つ目は、ネイティブオーディオの統合です。これまでのワールドモデルは無音の映像空間を作るだけでしたが、Genie 4は世界の動きに完全に同期した環境音（風の音や波の音）、楽器の演奏音、さらには空間内にいる登場人物が状況やユーザーの入力に応じて話す「会話音声」までをその場で同時に生成します。駅のホームで駅員に乗客へのアナウンスを行わせるようテキストで指示すると、その通りの動きと肉声がリアルタイムに出力されます。

そして4つ目の技術的な核となっているのが、Googleの「Gemini」ファミリーとの深い統合による役割分担です。Genie 4は単一のモデルだけで動いているのではなく、まず「Gemini Omni」が現実世界の見た目のリアルさや物理的な振る舞いの基礎を固めています。さらに、高速推論モデルの「Gemini 3.8 Flash」が映画の監督のように生成中のシーンを常時モニタリングし、ユーザーが入力していない間も世界が破綻せず自然に進行するよう、複数のステップからなる登場人物の行動を計画・軌道修正しています。また、最上位クラスの「Gemini 4 Argon」と組み合わせることで、双腕ロボットが洗濯物をたたんだり複雑な作業をこなしたりする訓練環境をシミュレートする高度な実験も行われています。

Google DeepMindは、このGenie 4が汎用人工知能（AGI）の構築に向けた重要なステップになると位置づけています。ロボットや自律型AIエージェントを現実世界で動かす前に、無限のバリエーションを持つ安全な仮想空間で訓練できるほか、映画制作における事前のカメラワークの下見（プリビズ）や、ゲームの試作、教育分野などでの応用が期待されています。

一方で、現時点での技術的な限界も率直に明かされています。リアルタイムで一貫した世界を維持できる連続操作時間は数分（報道ベースでは最長2分程度）にとどまっており、長時間同じ空間にとどまると物体の見た目や配置の整合性が徐々に崩れることがあります。また、極めて複雑な物理的接触や、生成される会話音声の正確性にも改善の余地が残されています。

提供スケジュールとしては、まずは信頼できる一部のテスター向けに研究プレビューとして公開が始まりました。今後は仮想空間探索サービスの「Project Genie」を通じて月額制の最上位プラン「Google AI Ultra」の加入者に開放されるほか、「Gemini API」や「Google AI Studio」の早期アクセスパートナー向けにも順次提供される予定です。なお、安全対策として、Genie 4が出力するすべての映像と音声にはAI生成物であることを証明する電子透かし「SynthID」が組み込まれます。「見るだけの動画」から「中に入って干渉できる世界」へ、AIが生成するメディアの定義そのものを塗り替える大きな一歩と言えます。

今回のエピソードは以上で終了です。また次回お会いしましょう。