Google DeepMind、世界モデル「Genie 4」を発表 音声のネイティブ生成とリアルタイム操作に対応

Genie 4はキーボードによる移動やカメラ操作に加え、テキストプロンプトで天候の変更、カメラの移動、人物や物体の追加ができる。ユーザー入力の合間にはGeminiが場面を監視して進行を保つ。空力や衝突といった物理シナリオ、自然に動き環境へ反応する人物の表現、リアルタイムで適応する対話が主な進化点とされている。DeepMindはリアルタイムでネイティブに音声を生成する初の世界モデルだと説明している。

Geminiファミリーとの連携も特徴である。Gemini Omniが実世界の外観や挙動の土台となり、Gemini 3.8 Flashがガイド役のエージェントとして場面を観察し、目標を手順に分解して各ステップの成否を確認する。さらにGemini 4 ArgonとGenie 4を組み合わせ、Apptronik社のApollo人型ロボットがチェッカーを指す例をシミュレーションしている。

信頼できるテスターは、映画制作のプレビジュアライゼーション、1枚の資料写真から環境を再現する試み、エンジンコードを書く前のゲームプロトタイプ、企業のシナリオ生成などで評価している。今後の方向性としては、コードや言語モデルの構造的推論とピクセル単位のシミュレーションを組み合わせるハイブリッド世界モデルを挙げている。

安全面では、安全性評価を実施し、生成される映像と音声にはSynthIDを付与する。制約として、長時間の実行や複数回のプロンプト編集で視覚的な細部やオブジェクトの永続性がずれることがあり、複雑な物理相互作用、音声精度、文字の描画、長期的な一貫性は研究課題である。Project Genieではウェイトリストへの登録を受け付けている。