Google DeepMindは10月27日（米国時間）、世界モデルの最新版「Genie 4」をリサーチプレビューとして公開しました。TechCrunchによると、これまでで最もフォトリアルかつインタラクティブな世界を生成でき、シミュレーションの最中にプロンプトを入力してシーンを変えられるのが特徴です。
新機能の一つが音声の生成です。生成された世界に合わせて、音楽や環境音、インタラクティブな会話がリアルタイムで流れます。天気やカメラアングルをその場で変えたり、人物や物体を追加したりといった自由な編集も可能で、物理表現や人間らしいキャラクターの描写も改善されたとされています。一貫したシーンを保てる時間は最大2分で、前世代の2倍です。
Geminiとの連携も強化されました。Geminiがディレクターのように手順を計画してフレームを確認し、Genieが映像を生成する役割分担です。ロボティクス関連の研究実験では、Gemini 4 Argonがタスクを手順に分解し、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。ゲームやインタラクティブな学習、ロボットのシナリオ検証などが想定用途で、信頼できるテスター（trusted testers）の間では映画のプロトタイピングにも使われています。
提供範囲は、現在は信頼できるテスター向けのリサーチプレビューです。今後数週間のうちに、Google AI Ultraの購読者向けに「Project Genie」で、またGemini APIとGoogle AI Studioの早期アクセスパートナー向けに展開される予定です。価格や対象地域は記事では触れられていません。
課題も残っています。DeepMindのエンジニアは、シミュレーションが長く続くほど細部や物体がずれていくこと、音声の正確さや世界内の文字の可読性がまだ十分でないことを認めており、最終的な製品体験も固まっていないと説明しています。
出典: TechCrunch「Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering」
