Genie 4発表：DeepMindがリアルタイム音声付き世界生成モデルを限定公開

Google DeepMindは2026年10月27日、Genie 4を発表した。テキストや画像を起点に、サウンド、音楽、ダイアログをリアルタイムで生成しながら探索可能な環境を作り出すワールドモデルだ。ユーザーはキーボードとマウスで空間を移動し、シミュレーション実行中に自然言語で場面を変更できる。現時点では選抜された少数のテスターのみが利用可能で、Google AI Ultraサブスクライバー向けのProject GenieおよびAPIパートナー向けアクセスは「近日公開」とされているが、具体的な日付は示されていない。DeepMind自身も、オブジェクトの一貫性や物理演算が破綻する場合があると明記している。

本記事はRaia Hadsell、Diego Rivas、Hang Qiが署名したDeepMindの発表文、Googleのブログ投稿、およびモデルページを参照している。X上の投稿は直接確認できなかったため、AI Latelyのエンベッドでテキストを確認した。Genie 3の仕様はThe Decoderの2025年8月の報道に基づく。

Genie 4は何をするのか

言い換えると、Genie 4はワールドモデルだ。映像を生成して再生するのではなく、コマンドに応じてフレームごとに反応する環境を生成する。テキストまたは参照画像を最初のフレームとして入力し、キーボードコマンドで移動やカメラ操作を行う。セッション中は天候の変更、カメラアングルの調整、人物やオブジェクトの追加が可能だ。DeepMindによると、Geminiモデルが各リクエストを場面に適応させ、コマンドとコマンドの間もワールドを継続的に進行させる。

このモデルはGeminiファミリーを活用している。Gemini Omniが現実世界の外観と挙動にシーンを固定し、別のGeminiモデルがシミュレーションの一貫性を保つ推論を担う。このGeminiファミリーはオフィス業務向けのGeminiエージェントでも活用されており、同様に限定プレビューが続いている。

最大の進化：ネイティブ音声生成

DeepMindはGenie 4を、リアルタイムでネイティブに音声を生成できる初のワールドモデルとして位置づけている。各環境には固有の環境音と音楽が伴い、キャラクターが発話し、ダイアログはコマンドやイベントに適応する。

ここがGenie 3との最大の違いだ。The Decoderの2025年8月の報道によると、Genie 3は720p・毎秒24フレームで世界を生成し、最大1分の視覚的メモリを持ち、「プロンプタブル・ワールドイベント」と呼ばれるテキストによる場面変更に対応していた。ただし音声機能はなかった。Genie 4についてDeepMindは解像度、フレームレート、持続時間のいずれも公開しておらず、前バージョンとの定量的な比較も示していない。モデルページには「数分間の継続的なインタラクション」とのみ記載されている。

映像生成ではなくインタラクティブな環境

言い換えると、この区別は用途理解に直結する。動画生成AIは完結したクリップを出力する。Genie 4は操作する者に反応する場面を生成する。DeepMindが挙げる具体的なユースケースは次のとおりだ。

• 映画監督がライブシミュレーション内で複数テイクを試す映像プレビュー
• フォトジャーナリストが単一のアーカイブ写真を探索可能な環境に変換する用途
• テキストから視覚スタイルやゲームメカニクスをテストする開発者
• シナリオの高速生成を評価する企業パートナー

戦略的に最も重要な領域はエージェントとロボット向けのシミュレーションだ。発表によると、Gemini 3.8 Flashがフレームを観察し、目標をステップに分解し、各ステップを検証し、ワールドが変化したりユーザーが介入したりした際にプランを修正する。別のデモではGemini 4 Argonが、AppTronikのロボットApolloを使ったロボット作業とチェッカーゲームにGenie 4と連携して取り組んでいる。生成されたワールドでエージェントを訓練するアプローチはNVIDIAとLGの物理AIへの賭けと同一線上にある。ただし、デモから量産ラインまでの距離は、工場内ヒューマノイドロボットの現実が示すとおり、依然として大きい。

DeepMindが明記した限界

発表文は弱点を隠していない。長いセッション、複数回のテキスト修正、またはナビゲーション中に、視覚的な細部やオブジェクトの永続性が崩れる可能性がある。複雑な物理インタラクション、リアルタイム音声の正確性、読み取り可能なテキスト、空間的精度、長期的な一貫性はいずれも研究課題として残っていると、DeepMind自身が認めている。

モデルページにはさらに三つの制限が記載されている。一つ目は、同じ環境で複数のエージェントと複数のユーザーが同時にやり取りする場合の挙動。二つ目は、現実の場所を正確に再現できないという点。三つ目は持続時間で、数分程度にとどまり、長時間のセッションには対応しない。注記によれば、公開されている録画は実際のセッションを短縮編集したもので、結果はあくまで例示目的とされている。独立したベンチマークや第三者評価は存在せず、公開されているのは企業によるデモにすぎない。

利用できるのは誰か、そしていつか

短い答えは、今のところほぼ誰も利用できないということだ。モデルは信頼されたテスター向けの研究プレビュー段階にあり、ウェイティングリストは公開されている。次のステップはProject Genie内のGoogle AI Ultraサブスクライバー、そしてGemini APIおよびAI Studioへの早期アクセスパートナーへの展開となる。具体的な日程も対象国も、現時点では示されていない。

過去の経緯は期待値を測る上で参考になる。Project Genieは2026年1月29日にGenie 3と共に誕生し、PetaPixelの報道によれば、ローンチ時は米国在住の成人向けUltraサブスクライバー限定で月額250ドル、生成時間は60秒までに制限されていた。その範囲が現在拡張されているかどうかは不明だ。日本を含む米国外ユーザーに対する確認済みのアクセス経路は、現時点では存在しない。透明性の観点では、DeepMindはGenie 4が生成するすべての映像と音声にSynthIDの電子透かしを付与すると表明している。これは、生成AIの使用を理由にNikonのコンテストで受賞後に失格となった映像のような事例が相次ぐ中、重要な意味を持つテーマだ。

Genie 4の要点

確認済みの事項と未確認の事項

• 確認済み: ネイティブ音声を備えたリアルタイムワールドモデル、セッション中にテストで編集可能なシーン、選定テスター向けプレビュー、映像と音声へのSynthID電子透かし、オブジェクト・物理・音声・持続時間に関する公式の制限事項。
• 未公表: 解像度、フレームレート、セッションの最大時間、利用可能な国と時期、APIの価格、独立したベンチマークや第三者評価。
• 今後の注目点: Project GenieでのUltraサブスクライバーへの開放とAPIパートナーへの展開、そして一貫性と物理演算に関する最初の独立評価。

より大きな視点から読み解く

本稿の見解として明示した上で述べると、Genie 4は生成AIの競争軸をクリップからワールドへと移行させる可能性がある。映像は「見る」もので、環境は「使う」ものだ。ゲームのレベルを試し、シーンを撮影し、エージェントを訓練する。だからこそ、公式に挙げられた制限はビデオジェネレーターのそれより重く受け止めるべきだ。クリップの中でオブジェクトが消えれば審美的な欠陥にすぎないが、ロボットやエージェントのシミュレーターでは誤ったデータになる。現時点での価値は急速なプロトタイピングにあり、信頼性の高いシミュレーションはまだ先の話だ。

注目すべき点は三つある。第一に、アクセスがテスターを超えていつどこで拡大されるか、そしてセッション時間はどうなるか。第二に、現時点では存在しないオブジェクトの持続性、シーンの一貫性、物理演算に関する独立評価が登場するかどうか。第三に、ユーザーに代わってコンピューターを操作するエージェントとの連携が、デモから実際のワークフローへどれだけ移行していくかだ。