Google DeepMind、音声対応の世界モデル「Genie 4」を公開

Google DeepMindは27日、最新の世界モデル「Genie 4」をリサーチプレビューとして公開した。同社によると、これまでで最も写実的でインタラクティブな世界を生成でき、シミュレーション中にテキストで指示を入力して場面を変えられる。音楽や環境音、対話など、仮想世界に合った音声をリアルタイムで生成する点も特徴だ。

主な進化点

約1年前にプレビュー公開された前世代のGenie 3と比べ、写実性が大幅に向上し音声が加わった。天候やカメラアングルをリアルタイムで変えたり、人物や物体を追加したりする自由な編集も可能になった。一貫した場面を保てる時間は最長2分で、従来の2倍。物理表現や人物の描写も改善されたという。

Geminiとの連携も強化された。Geminiが「監督」として手順を計画しフレームを確認し、Genieが映像を生成する。Gemini Roboticsに関連する実験では、Gemini 4 Argonがタスクを段階に分け、Genie 4が実時間でシミュレートした。ロボットの動作を現実で試す前に仮想空間で検証できる可能性を示す。研究ディレクターのテジャス・クルカルニ氏は、Geminiがコードやテキストを書き、Genieがそれを実時間で取り込んで現実を模擬する「ハイブリッド型」が増えると述べた。

用途と課題

想定用途はゲーム、インタラクティブ学習、ロボティクスなど。先行利用者の「トラステッドテスター」からは、映画のプロトタイピングという用途も挙がっている。DeepMindのディエゴ・リバス氏は、着想やストーリーボードの段階でリアルタイム性が役立つと説明した。将来はGemini Omniで試作を制作素材に変えられる可能性があるが、実現はまだ先という。

同社は、最終的な製品体験は未定で初期段階だと強調する。シミュレーションが長くなると細部や物体がずれることがあり、音声の正確さや世界内の文字の可読性も課題として残る。

Genie 4はトラステッドテスター向けに提供中。数週間以内に、Project GenieのGoogle AI Ultra加入者と、Gemini APIおよびGoogle AI Studioの早期アクセスパートナーにも展開される。