Google DeepMind は 10 月 27 日に第4世代世界モデル Genie 4 を発表しました。テキストや画像から、キーボードで移動したりカメラを回転させたりできるインタラクティブな世界をリアルタイムで生成し、環境音、音楽、キャラクターの会話を同時に生成するのは初めてです。現在は研究プレビューとして、信頼できるテスターのみに公開されています。
信頼度：高（100） · イベント日時 2026-10-27
理由
- 公式は4つの主要な進歩を挙げています。自然言語によるリアルタイムのシーン変更（天候の変更、カメラの移動、人物や物体の追加）、物理シミュレーションと人物動作のよりリアルな再現、ネイティブな音声生成（キャラクターがリアルタイムで会話したり、ユーザーの入力に応答したりできる）、そして Gemini 3.8 Flash を「ガイドエージェント」として活用し、画面を継続的に観察して目標を分解し、各ステップの完了をフレーム単位で検証することで、マルチステップの因果関係をより信頼できるものにしています。
- DeepMind は世界モデルをロボットやエージェントの訓練環境として位置づけています。ブログでは、Gemini 4 Argon がタスクをステップに分解し、Genie 4 シミュレーションをリアルタイムで駆動して Apptronik のヒューマノイドロボット Apollo にチェッカーをプレイさせるデモが紹介されています。
- 公式によると、信頼できるテスターはこれを用いて映像のプリビジュアライゼーション、歴史的な写真から歩行可能なシーンへの変換、ゲームのプロトタイピング、企業向けシミュレーションなどを行っています。
- Ars Technica は、前世代の Genie 3 が限定的な Project Genie のウェブ体験でのみ公開されていたことを指摘しています。今回、公式は Ultra サブスクライバーおよび Gemini API 向けの公開ロードマップを提示しました。
利用方法
- Project Genie でウェイトリストに登録できます（DeepMind ブログの上部に入口があります）。公式は、今後まず Google AI Ultra サブスクライバー（Project Genie）および Gemini API、Google AI Studio の早期パートナー向けに公開されると述べていますが、具体的な時期や価格は明かされていません。
- 公式は、Genie 4 が生成するすべての動画および音声に SynthID の不可視ウォーターマークが付与されると述べています。
リスク
- TechCrunch は、シーンが一貫性を保てる最長時間は約2分で、Genie 3 の2倍であると報じていますが、公式の原文では「短いセッション内での一貫性」とのみ記載されており、具体的な時間は示されていません。
- 公式が挙げている限界点：稼働時間が長くなるほど、また変更を加えるほど、画面上の詳細や物体の永続性がドリフトしやすくなります。複雑な物理インタラクション、リアルタイム音声の精度、テキストレンダリング、空間精度、長期的な一貫性については、依然として研究段階です。
- 公式が選定したデモのみが確認でき、公開されたベンチマークデータはありません。一般公開の時期は未定で、Ars Technica は価格が高額になる可能性があると指摘しています。
開く · TechCrunch · Ars Technica · The Verge · SiliconANGLE