MF Blogs 便利ツール
濃紺の背景に浮かぶ発光する球体の中で、オレンジ・青・緑の幾何学的なオブジェクトが軌道上を周回し、下に淡い青のワイヤーフレーム地形が広がる抽象的なイラスト

記事

Google「Genie 4」公開——音声生成と2分持続のリアルタイム世界モデル

Google DeepMindが新しい世界モデル「Genie 4」をリサーチプレビューとして公開しました。リアルタイムの音声生成や、シーンを2分間維持できる持続性が特徴で、Gemini Roboticsとの連携実験も進んでいます。TechCrunchが報じた内容をもとに紹介します。

0:00 0:00

Google DeepMindが、新しい世界モデル「Genie 4」をリサーチプレビューとして公開しました。テキストプロンプトからインタラクティブな世界をリアルタイムで生成する技術で、今回はシミュレーション中にプロンプトを差し込んでシーンを変化させられる点や、音楽・環境音・会話まで含むリアルタイム音声生成が新たに加わったと、TechCrunchが報じています。

Genie 4とは何か

Genie 4は、ユーザーが入力したプロンプトをもとに、歩き回ったり操作したりできるインタラクティブな世界を生成する「世界モデル」の最新版です。前身となるGenie 3は約1年前にリサーチプレビューとして公開されていましたが、今回のGenie 4ではフォトリアリズムが大きく向上し、音声生成が加わったほか、天候やカメラアングルの変更、新しい人物やオブジェクトの追加といった自由度の高い編集機能も使えるようになりました。シーンを一貫した状態で維持できる時間も、前身の2倍となる最大2分間に伸びています。

オレンジ・青・緑の幾何学的なオブジェクトが透明な球体の中で軌道を描き、下に淡い青のワイヤーフレーム地形が広がる様子を示したイメージ画像

画像引用元: TechCrunch

進化したポイントを整理

TechCrunchの記事によると、Genie 4がGenie 3から進化した点は主に次の4つに整理できます。

  • リアルタイム音声生成: 音楽、環境音、インタラクティブな会話までシミュレーション内で同時に生成
  • フリーフォーム編集: 天候やカメラアングルをその場で変更し、新しい人物やオブジェクトを追加可能
  • 持続性の向上: シーンを一貫した状態で維持できる時間が最大2分と、前身の2倍に
  • 物理演算とキャラクター表現の改善: より自然な動きと人間らしいキャラクター描写を実現

これらの進化により、単なるデモ映像の生成にとどまらず、実際に「体験する」ことを前提にした世界モデルへと近づいています。

Geminiとの統合でロボティクス実験にも応用

今回の発表で注目したいのが、GeminiとGenie 4の統合がより密接になった点です。Geminiが手順を計画しフレームをチェックする「ディレクター」役を担い、Genieがそのビジュアルを生成する仕組みで、Gemini Roboticsに関連したある研究実験では、Gemini 4 Argonモデルがタスクを複数のステップに分解し、Genie 4がそれをリアルタイムでシミュレーションしたといいます。Google DeepMindのリサーチディレクターであるTejas Kulkarni氏は、ブリーフィングの中で「今後ますます増えていくのは、Geminiがコードやテキストを書き、Genieがそれをリアルタイムで取り込んで、異なる抽象度でリアリティをシミュレートするハイブリッドな世界モデルだ」と説明しています。ロボットの動作シナリオを実世界で試す前にシミュレーション上で検証できる可能性を示す実験として位置づけられています。

激化する世界モデル市場での位置づけ

Genie 4の公開は、世界モデル業界が急速に再編されつつあるタイミングと重なっています。AI動画スタートアップのRunwayは数カ月前に2つ目の世界モデル「GWM Worlds 2」を公開したばかりで、こちらもユーザー入力に動的に反応し音声生成も含むモデルです。さらに、Fei-Fei Li氏が設立したWorld LabsはAMDによる買収が進んでおり、AmazonはDecartの買収交渉中、RivianもThird Dimensionを買収して自動運転テスト向けのシミュレーション能力を自社に取り込もうとしています。Genie 4は、こうした競争が激しくなる分野でGoogleが先頭を維持するための一手という位置づけです。

想定される用途と今後の展望

世界モデル全般に共通する商用利用シーンとして、ゲーム、インタラクティブ学習、ロボティクスが挙げられていますが、Genie 4では先行アクセスを持つ「トラステッドテスター」から、映画制作のプロトタイピングという新しい用途への期待も寄せられているとのことです。Google DeepMindのエンジニアであるDiego Rivas氏は「リアルタイム性が最も価値を持つのは、創造性における『フロー状態』を保つことが重要な場面だ。例えばアイデア出しやストーリーボード作成といった、迅速な発想が必要なあらゆる場面で役立つ」と述べています。まだリサーチプレビューの段階ではあるものの、動画生成モデル「Veo」と並んで、Googleのコンテンツ生成戦略の重要な柱になっていきそうです。