Genie 4：音声も生成するGoogle DeepMindのリアルタイム世界モデル
Google DeepMindは2026年10月27日、Genie 4を発表しました。Genie 4は世界モデルと呼ばれるAIで、場所を言葉で説明すると、探索できるシーンをリアルタイムで生成します。キーボードで歩き回ることができ、テキストを入力すれば世界そのものを変えることもできます。今回の大きな変化は音です。DeepMindはGenie 4を「音声をネイティブに生成する初のリアルタイム世界モデル」と位置づけており、環境音や音楽、キャラクターのセリフが映像と同じモデルから生まれます（Google DeepMind）。
現時点では、信頼できるテスター（trusted testers）向けのリサーチプレビューという位置づけです。DeepMindによると、Project Genieを通じたGoogle AI Ultra加入者への提供と、Gemini APIおよびGoogle AI Studioでのアーリーアクセスパートナーへの提供が「近日予定」とされています。解像度、フレームレート、セッションの長さ、料金はまだ公表されていません。
要点
- Genie 4はインタラクティブな世界をリアルタイムで描画し、あわせて音声も生成します。シーン内の出来事に合わせて変化する環境音、音楽、会話です。
- 処理の一部はGeminiモデルが担います。Gemini Omniはシーンを現実世界の見た目や振る舞いに即したものに保ち、Gemini 3.8 Flashは生成中に手順を計画・確認するガイド役のエージェントとして動作できます。
- 動作中の世界は普段の言葉で操作できます。天候を変える、カメラを動かす、人や物を追加する、といった具合です。
- 現在利用できるのは信頼できるテスターに限られます。次はProject Genie（Google AI Ultra向け）とGemini APIですが、時期は示されていません。
- 生成されるすべての映像と音声トラックには、SynthIDの電子透かしが埋め込まれます。
- DeepMindは、長時間セッションでのずれ、読める文字の描画、空間的な正確さ、音声の正確さを未解決の課題として挙げています。
Genie 4はどんなモデルか
世界モデルとは、環境が時間の経過や行動に応じてどう変化するかを予測するAIシステムです。決まった動画クリップを描画するのではなく、ユーザーの動きに合わせて次のフレームをその場で生成します。そのため、ゲームエンジンのように入力へ反応しますが、あらかじめ作り込まれたものは何もありません。
Genie 4は、DeepMindのGenieシリーズの4番目のモデルです。2025年8月5日に発表されたGenie 3は720p、毎秒24フレームで動作し、世界の一貫性を「数分間」保ち、表示した内容を最大で約1分間記憶していました（Google DeepMind, Genie 3）。発表によると、Genie 4はリアルタイムでキーボード操作するという仕組みを引き継ぎつつ、3つの点を強化しています。よりフォトリアルな表現、人や物のより滑らかな動き、そしてネイティブな音声生成です。
Genie 4の新機能
映像と同じモデルから生まれる音とセリフ
これまでのGenieモデルには音がありませんでした。Genie 4は音楽や環境音に加えて、「その場で適応するインタラクティブな会話」も生成します。DeepMindのデモの一つでは、日本の田舎の駅のホームで駅員がカメラに向かって歩いてきて、次に発車する列車を案内します。別のデモでは、島でピアノの連弾が流れます。音は後から付け足すのではなくフレームと一緒に生成されるため、足音や風の音、話し声をユーザーの行動に合わせて変化させられます。
動作中の世界を操作する
セッションの途中でも、自然言語で世界を変えられます。天候を切り替えたり、カメラを動かしたり、新しい人や物を登場させたりといった操作です。DeepMindによると、Geminiがプロンプトを現在のシーンに合うよう調整します。移動は一般的なキーボード操作で行います。デモでは参照画像を最初のフレームとして使う例も示されており、この方法で2Dの写真が実際に歩いて入れる場所に変わります。
ループに組み込まれたGemini
DeepMindは、GeminiモデルがGenie 4と連携する方法として次の3つを挙げています。
- Gemini Omniはシミュレーションを現実世界の見た目や振る舞いに結び付け、ほかのGeminiモデルが一貫性と連続性を保つための推論を担います。
- Gemini 3.8 Flashは、生成中にガイド役のエージェントとして動作できます。シーンを観察して目標を手順に分解し、各手順がうまくいったかを確認したうえで、世界が変化したりユーザーが介入したりすると計画を修正します。
- ある実験では、Gemini 4 ArgonがGenie 4の描画中に、タスクの手順をテキストキャプションとして与えました。例として、Apptronik Apolloのヒューマノイドロボットがチェッカーをプレイする様子が示されています。Argonの強みと弱点については、Gemini 4 Argonのベンチマーク記事で取り上げています。
物理とキャラクター
DeepMindによると、Genie 4は空気力学や衝突をシミュレートし、キャラクターは「自然に動き、環境に有機的に反応し、リアルタイムでインタラクティブに操作できる」とのことです。デモのプロンプトには、舞い落ちるカエデの種、シルクのスカーフ、熱気球などが含まれています。
Genie 3、Genie 4、現在のProject Genieの比較
| Genie 3 | Project Genie（現在） | Genie 4 | |
|---|---|---|---|
| 発表日 | 2025年8月5日 | 2026年1月29日 | 2026年10月27日 |
| 位置づけ | 研究用の世界モデル | Genie 3をベースにしたGoogle LabsのWebアプリ | 研究用の世界モデル |
| 音声 | なし | なし | ネイティブ生成：環境音、音楽、会話 |
| 公表されているスペック | 720p、24fps、数分間の一貫性 | 1セッション60秒 | 解像度、fps、セッションの長さは非公表 |
| Geminiの役割 | 説明なし | GeminiとNano Banana Proが世界の構築を支援 | Gemini Omniによるグラウンディング、Gemini 3.8 Flashによるガイド役エージェント |
| 利用できる人 | 限定的なリサーチプレビュー | Google AI Ultra加入者（18歳以上） | 信頼できるテスター。UltraとAPIは「近日予定」 |
出典：Genie 3の発表、Project Genieのヘルプページ、TechCrunch、Genie 4の発表。
Genie 4を利用するには
現時点で、Genie 4を一般のユーザーが使う方法はありません。DeepMindは次の3つの提供経路を挙げています。
- 現在のプレビューに参加している信頼できるテスター。DeepMindは、テストに参加しているグループとして映画制作者、ゲーム開発者、企業パートナーを挙げています。
- Google AI Ultra加入者向けのProject Genie。Project Genieは、Googleの実験的な世界構築アプリです。2026年1月29日に、Genie 3、Nano Banana Pro、Geminiを基盤として米国のAI Ultra加入者向けに提供が始まりました（TechCrunch）。Googleのヘルプページでは現在、Google AI Ultraが提供されているすべての地域で18歳以上のユーザーが利用でき、各世界を60秒間探索できると説明されています。Genie 4は今後追加される予定として記載されており、ウェイトリストも受け付けています。
- Gemini APIとGoogle AI Studio。まずはアーリーアクセスパートナーが対象です。料金やレート制限は公表されていません。
すでにProject Genieを使っている場合は、Googleが切り替えを発表するまで、60秒の制限とGenie 3の挙動がそのまま続くと考えておくとよいでしょう。
テスターの活用例
DeepMindは、初期の活用例として次の4つを挙げています。
- クリエイティブディレクション：プリビジュアライゼーション用の高速な「ドラフトモード」。監督が撮影前にシーンの段取りを組めます。
- 歴史・アーカイブ分野：2Dの写真を、中を移動できる空間に変えます。
- ゲームのコンセプトデザイン：テキストプロンプトからレベルや雰囲気を試作します。
- シミュレーション：「ゼロからイチ」のシナリオ生成。ロボティクス向けも含まれ、現実では発生がまれだったり再現に費用がかさんだりする訓練状況を世界モデルで作り出せます。
発表の中で最も多くの紙幅が割かれているのはロボティクスです。物理法則や物体を安定して保てる世界モデルがあれば、ロボットが実際に試す前に、AIエージェントがシミュレーションの中でタスクを予行演習できるようになるかもしれません。ArgonとApolloの実験は、その考え方を確かめる最初の試みです。
制約と安全性
DeepMindは、まだ破綻しやすい点を率直に認めています。視覚的な細部やオブジェクトの永続性は「時間とともに変化したり、ずれたりすることがある」とされ、特にセッションが長いとき、プロンプトを何度か編集した後、移動している最中に起こりやすいといいます。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、空間的な正確さ、長期的な一貫性は、研究が進行中の分野として挙げられています。なお、文字の描画とセッションの長さは、2025年の時点ですでにGenie 3の制約に含まれていました。
Project Genieをめぐる以前の実機レポートからは、デモと実際の使用感の差がうかがえます。TechCrunchのレビュアーは、フォトリアルなプロンプトでもゲームのような見た目になることが多く、キャラクターが壁をすり抜け、キーボード入力が逆方向に反映されることもあったと報告しています（TechCrunch）。ただし、これはGenie 3での話です。Genie 4でこうした問題が解消されたかどうかは、テスター以外の人が試せるようになるまでわかりません。
安全面について、DeepMindは、Genie 4には同社のほかのモデルと同等のガードレールが設けられていること、プレビュー前に社内評価を実施したこと、まず信頼できるテスターに提供したことを説明しています。生成されるすべての映像と音声には、AI生成メディア向けのGoogleの不可視の電子透かしであるSynthIDが含まれます。
なぜ重要なのか
動画生成AIが見るためのクリップを提供するのに対し、世界モデルは行動するための場所を提供します。ネイティブな音声によって、Genie 4のシーンは無音のレンダリング映像という印象が薄れます。さらにループに組み込まれたGeminiエージェントにより、AIシステムが計画し、行動し、結果を確認できるサンドボックスにもなります。世界モデルが物理法則や物体の一貫性をより長く保てるようになれば、現実世界で何かを行う前にエージェントやロボットを試せる安価な手段になるでしょう。
DeepMindは、Genie 4の解像度やフレームレート、セッションの最大時間、料金をまだ明らかにしていません。それが公表されるまでは、Genie 4は印象的なデモとウェイトリストにとどまります。
よくある質問
Genie 4とは何ですか？
Genie 4は、Google DeepMindが2026年10月27日に発表したリアルタイム世界モデルです。テキストプロンプトや参照画像をもとに、キーボードで探索でき、自然言語で変更できるインタラクティブな環境を生成します。会話を含む音声もあわせて生成します。
Genie 4は今すぐ使えますか？
信頼できるテスターでなければ使えません。DeepMindによると、Genie 4はProject Genieを通じてGoogle AI Ultra加入者に、Gemini APIとGoogle AI Studioを通じてアーリーアクセスパートナーに提供される予定です。ウェイトリストはProject Genieで受け付けています。
Genie 4はGenie 3と何が違いますか？
Genie 4では、ネイティブ生成の音声（環境音、音楽、状況に応じて変わる会話）、よりフォトリアルな表現、より滑らかな動き、そして手順を計画・検証するGeminiモデルとのより緊密な連携が加わりました。Genie 3は720p、24fpsで動作していましたが、DeepMindはGenie 4について同等のスペックを公表していません。
Genie 4は無料ですか？
料金は発表されていません。一般ユーザー向けにGenie 4が最初に登場すると見られるProject Genieは、Google AI Ultraへの加入が必要です。
Genie 4の出力がAI生成かどうかを見分けるには？
DeepMindによると、Genie 4が生成するすべての映像と音声には、AI生成コンテンツ向けのGoogleの不可視の電子透かしであるSynthIDが含まれています。
出典
- Google DeepMind：Genie 4, a new generation of world simulation
- Google DeepMind：Genie 3, a new frontier for world models
- Google Labs ヘルプ：Get started with Project Genie
- TechCrunch：I built marshmallow castles in Google's new AI world generator
- Unite.AI：Google DeepMind rolls out Genie 4 world model in research preview