Google DeepMind、Genie 4を発表：ネイティブ音声付きのリアルタイム環境シミュレーション

2026年10月27日、Google DeepMindはリアルタイムでインタラクティブなシミュレーションを生成する「ワールドモデル」の最新版、Genie 4を発表した。研究者のRaia Hadsell、Diego Rivas、Hang Qiが署名した投稿で示された最大の新しさは、システムがネイティブにマルチモーダルである点だ。映像に加えて、文脈に合った音楽や環境音、会話も生成する。同社が説明するアーキテクチャでは、Geminiファミリーのモデルが視覚的・論理的な一貫性を担う。Gemini Omniがシミュレーションを現実世界の見た目と振る舞いに結びつけ、Gemini 3.8 Flashは制御ループの中でシーケンスを観察し、各ステップの完了を確認し、ユーザーが自然な文章で天候やカメラワーク、シーンの構成を変えようと介入した場合には計画を修正する。公式ブログはGemini 4 Argonというモデルにも触れているが、その具体的な役割は説明していない。

テスターが試した用途には、ゲームのラピッドプロトタイピング、アーカイブ写真の環境化、ビジネスシナリオの生成がある。Googleはロボットやエージェントの訓練にも言及している。DeepMindはさらにGemini Roboticsを使った実験も紹介しており、その中にはシミュレーション上のヒューマノイドApptronik Apolloがチェッカーをする例も含まれる。TechCrunchによれば、シーンの時間的な一貫性は最大2分に達するという（Genie 3の2倍）。ただし、この数字はDeepMindが公開した公式ページでは確認できない。実地で検証するためのデータも欠けている。同社は解像度、フレームレート、応答レイテンシ、利用コスト、最大セッション時間といった基本的な技術仕様を公表していない。また、長時間のセッションやプロンプトによる修正を繰り返した後に、ディテールやオブジェクトの持続性が劣化する問題が未解決であることを、DeepMind自身が認めている。

生成されるすべての映像と音声にはSynthIDの透かしが入る。提供は段階的だ。現在プレビューは少数のtrusted testerに限られており、「近いうちに」（TechCrunchによれば今後数週間以内に）Project GenieでGoogle AI Ultraの加入者にウェイトリスト方式で、またGemini APIとGoogle AI Studioの早期アクセスパートナーにも提供される予定だ。Googleのブログには "Simulating the world is a crucial step toward AGI" とあり、Google DeepMindは自社ブログで "Genie 4 remains an early, evolving area of research" と補足している。GoogleのリサーチディレクターTejas KulkarniはTechCrunchに対し、今後は "hybrid world models"、つまりハイブリッドなワールドモデルがますます増えていくだろうと語った。空間の合成に音声を組み込んだことは、シミュレーションを一体の感覚的なエコシステムとして扱おうとする意志を示している。しかし、レイテンシや環境の実際の安定性について独立した検証が出てくるまでは、実用面での有効性はまだ測りようがない。 — Olya