Google DeepMindは10月27日、テキストの指示から操作可能な3D世界をリアルタイムで生成するワールドモデル「Genie 4」を発表した。映像だけでなく、環境音や登場人物の会話まで同時に生成する点が最大の変更点となる。現時点では限定されたテスター向けのリサーチプレビューとして提供されている。
Genie 4では、ユーザーがきっかけとなる出来事を設定すると、世界がどう反応し、どんな音がして、人物がどう動き話すかをモデルが逐次シミュレーションする。生成中も自然言語で天候を変えたり、カメラを動かしたり、人物や物体を追加したりできる。物理表現では空気力学や衝突の再現を強化し、人物の動きも環境に応じて変わるという。
音声については、環境音（風や波の音など）と、状況に応じて変わる会話を世界と同時に生成する。Google DeepMindは、音声をネイティブに生成するリアルタイムのワールドモデルはGenie 4が初めてだとしている。生成された映像と音声には、すべて電子透かしのSynthIDが入る。
提供範囲は今後広げる予定で、Google AI Ultraの契約者向けには「Project Genie」を通じて、開発者向けにはGemini APIとGoogle AI Studioの早期アクセスパートナーに提供するとしている。Project Genieには順番待ちリストが用意されているが、対象国や一般提供の時期は示されていない。
Gemini 3.8 Flashがシミュレーションの「監督」役に
Genie 4は単体のモデルではなく、Geminiファミリーと組み合わせて動く。Gemini Omniが現実世界に即した見た目や振る舞いの土台を担い、Gemini 3.8 Flashがガイド役のエージェントとして場面を観察する。Gemini 3.8 Flashは目標を手順に分解し、各ステップが成功したかをフレーム単位で確認し、ユーザーが割り込んだり世界の状態が変わったりすれば計画を修正する。
Google DeepMindはこの構成を「ハイブリッド・ワールドモデル」と呼び、言語モデルがストーリーを組み立て、Genieが見た目と音と反応を描画する役割分担を今後の方向性として示した。実験例として、10月に発表したGemini 4 ArgonとGemini Robotics、Genie 4を組み合わせ、Apptronikの人型ロボット「Apollo」がチェッカーをプレイする様子をシミュレーションした事例も紹介している。この例ではタスクの手順がテキストのキャプションとしてGenie 4に渡され、描画に反映される。
Genie 3から約1年2か月、数値スペックは非公開
前世代のGenie 3は2025年8月に発表された。今回の発表文には、解像度・フレームレート・1回のセッションの長さといった数値は記載されておらず、Genie 3との項目別の比較表もない。変更点として明示されているのは、音声と会話のネイティブ生成、写実性の向上、Geminiとの連携の3点にとどまる。Genie 3は発表時に720p・毎秒24フレームで、数分間の一貫性を保つとされていたが、Genie 4がこれをどこまで上回るのかは今回の資料からは判断できない。
一般向けの窓口になるProject Genieは、Genie 3を土台にGoogle AI Ultra加入者向けに段階提供されてきたサービスで、5月のGoogle I/O 2026ではGoogleストリートビューと連携し、米国内の実在する場所を元に仮想世界を作る機能が加わっていた。Genie 4はこのサービスの中身を差し替える形で届く予定だが、ストリートビュー連携など既存機能がそのまま引き継がれるかどうかは示されていない。
制約も明記されている。短いセッションでは一貫性が保たれるものの、長時間の利用や複雑な編集を重ねた場合、場面内を移動した場合には、物体の細部や存在が時間とともにずれることがあるという。複雑な物理的相互作用、リアルタイム音声の正確さ、読める文字の描画、空間の正確さ、長期的な一貫性は、いずれも研究課題として残っている。
テスターの利用例としては、映画制作者による撮影前のプレビジュアライゼーション、報道写真家による資料写真からの環境再現、洪水や山火事といった事象のシミュレーション、ゲーム開発者がエンジンのコードを書く前に試す試作などが挙がった。国内の個人が試すには、AI Ultra（月額14,500円から）の契約に加えてProject Genieの順番待ちを通る必要があり、日本で使えるかどうかもまだ発表されていない。
