Google DeepMindの「Genie 4」— 自然言語プロンプトで映像・音・物理現象をリアルタイム生成するワールドモデルが登場

11月11日、Sam Spriggが「Google DeepMind Announces Genie 4 World Model for Real-Time Interactive Simulation」と題した記事を公開した。Google DeepMindが発表した「Genie 4」は、自然言語プロンプトひとつで映像・音声・物理シミュレーションをリアルタイムに生成・編集できるワールドモデルだ。なかでも注目すべきは、単一の2Dアーカイブ写真から数秒でインタラクティブな環境を生成できるという点で、映像制作・教育・ゲーム開発など多分野にわたる応用可能性が示されている。

Genie 4とは何か

Google DeepMindが発表したGenie 4は、ユーザーが何らかのイベントを起こすと、その後の世界の変化——環境の反応、音、登場人物の動きや発話——をリアルタイムでシミュレートするワールドモデルだ。現在は信頼できるテスター向けのリサーチプレビューとして公開されている。

ワールドモデルとは、現実世界の物理法則や因果関係を学習し、仮想的な環境をシミュレートするAIモデルの総称である。ロボティクスや自律エージェントの研究領域では、現実に先立って仮想空間でエージェントを訓練・評価する手段として重要視されている。Genie 4はその延長線上にあるが、リアルタイム性とマルチモーダル生成を強みとして打ち出している点が特徴的だ。

GeminiとGenie 4の組み合わせがコアアーキテクチャ

技術的に興味深いのは、Genie 4単体で動くわけではなく、GeminiファミリーのAIモデルと統合されたアーキテクチャを採用している点だ。元記事に記載されているモデル名をそのまま転記すると、以下の2モデルが役割を分担している。

Gemini Omni（元記事に記載の名称）：シミュレーションを現実の外観・挙動に「グラウンディング」する役割を担う
Gemini 3.8 Flash（元記事に記載の名称）：リアルタイム処理を実現するガイドエージェントとして機能し、目標を複数ステップに分解し、各フレームを確認しながら処理を進める

※なお、「Gemini Omni」「Gemini 3.8 Flash」はいずれも元記事に記載されている名称をそのまま引用したものだが、既存のGeminiシリーズの公式命名規則（例：Gemini 1.5 Flash）とは異なる表記であるため、詳細は元記事および公式情報を直接確認されたい。

ユーザーは自然言語プロンプトでシミュレーションをリアルタイム編集できる。「天気を変える」「カメラを動かす」「新しい人物やオブジェクトを追加する」といった操作に対し、Geminiが周囲のシーンに合わせてプロンプトを文脈的に解釈・適用する仕組みだ。

また、Genie 4は物理シミュレーション（空気力学や衝突など）にも対応しており、登場人物はリアルタイムで環境に反応し、インタラクティブに操作できる。さらに、音声生成をネイティブにサポートする同社初のリアルタイムワールドモデルでもあり、BGM・環境音・インタラクティブな会話が映像と同時に生成される。

実際の活用シーン——最も注目すべきはフォトジャーナリズム用途

Googleはクリエイティブ産業・ジャーナリズム・教育・ゲーム・エンジニアリング分野の信頼できるテスターと協力し、複数のユースケースを確認している。なかでも際立つのがフォトジャーナリズムへの応用だ。単一の2D写真から数秒でその場の環境全体をシミュレート可能というのは、静的アーカイブを動的な体験へと転換する可能性を示しており、報道・記録の文脈で大きなインパクトをもたらしうる。

確認されているユースケースは以下のとおりだ。

映像制作：映画制作者がシーンのライブシミュレーションに入り込み、カメラアングル・照明・セリフ・アクションをリアルタイムで調整しながら複数テイクを撮影
フォトジャーナリズム：単一の2Dアーカイブ写真から数秒でその環境のシミュレーションを生成
歴史・環境教育：歴史的空間の体験や、洪水・山火事といった短期的な環境イベントの可視化
ゲーム開発：アイデアから数秒で探索可能なプロトタイプを生成
エンタープライズ：急速なシナリオ生成の評価

現時点の限界

Googleは制限事項を率直に開示している。「短いセッションでは一貫した環境を維持できるが、シミュレーションが長くなるほど、あるいは複雑なプロンプト編集を重ねるほど、視覚的な細部やオブジェクトの永続性がずれたり変化したりする可能性がある」と述べている。

また、以下の項目が現在進行中の研究課題として挙げられている。

複雑な物理インタラクション
リアルタイム音声の精度
判読可能なテキストのレンダリング
空間的な正確性
長期的な一貫性

安全対策とアクセス方法

生成されたすべての映像・音声には、Googleの知覚不能な電子透かし技術であるSynthIDが付与される。内部安全評価も事前に実施済みとしている。

現在、Genie 4のウェイトリストはProject Genieのページで受け付けているとされているが、元記事に記載のリンク先（https://deepmind.google/）はDeepMindのトップページであり、ウェイトリスト専用ページへの直接リンクとしては機能していない可能性がある。アクセスを希望する場合は、[Google DeepMind公式サイト](https://deepmind.google/)から最新情報を確認されたい。対象は**Google AI Ultra**サブスクライバーおよびGemini APIとGoogle AI Studioの早期アクセスパートナーで、コンシューマー・開発者向けの一般公開はフィードバック収集後となる予定だ。

詳細はGoogle DeepMind Announces Genie 4 World Model for Real-Time Interactive Simulationを参照していただきたい。