Genie 4が世界モデルの常識を更新、音声同期と2分間の連続生成

Google DeepMindが新型世界モデルのGenie 4を公開した。連続生成は前代の1分から2分へ延び、音声と映像を同時に生成する実時間世界モデルはGoogle初である。黒龍の背を時速140キロで駆ける映像では、羽ばたきや風音まで画面に合わせて即時に作られ、途中の指令で城の火球や矢を生み出せる。Pichai氏は「最も写実的で対話性の高い世界モデル」と評した。

どこが進んだのか、3つの改良

第1に長さである。2分間の映像を一鏡で通し、操作しながら生成する構成は、断片的な動画生成とは物理が違う。第2に音声である。環境音だけでなく人物の発話も画面から実時間で算出される。第3に書き換えだ。前代Genie 3でも「騎馬の人を足す」程度は可能だったが、Genie 4は天候の変更や視点の移動に加え、生み出した物が周囲の情景と連動する。

公式のオートバイのカップル・デモでは、「背景で爆発」「世界を壊す巨大な外星触手」と打ち込むと、即座に遠景の爆発と破壊する触手が描かれた。物理の再現も進み、空力や物体の衝突をより写実的に扱う。大理石の胸像が西瓜を砕く慢動作では、瓜の汁の飛沫まで追えた。

Geminiとの組打ち、混合世界モデル

複雑な変化はGenie 4単独では賄えない。そこでGeminiが後方で世界の論理を監督する構成が取られた。Gemini Omniが生成世界を現実に合うよう整え、Gemini 3.8 Flashは映像を観察しながら任務を工程へ分解し、途中の変化に応じて調整する。

応用の本命はロボット訓練だ。実世界でのデータ採集は費用が高く、状況を網羅できない。仮想世界で先に失敗する方式は、この制約を回避する。GoogleとApptronikの共同デモでは、「向かいの少年とチェッカーを指し、赤を一手動かす」という漠然たる指示をGeminiが22工程の動作手順へ分解し、Genie 4が描画して機体が首を下げ、手を伸ばし、駒を置くまでを通した。

まだ粗い部分と競合の動き

弱点も伝えられている。人物の発話はAI味が強く、表情は不自然である。胸像のデモでは「物理的に倒れるはず」との指摘があり、日本の駅のデモでは車掌が英語を話した。公式も長時間稼働や頻繁な視点変更で物体と細部が漂うことを認めている。アクセスは現時点で一部の試験者に限られ、外部の実測はX投稿が中心である。

市場は既に動いている。直近2ヶ月で、Runwayは多人同時参加のGWM Worlds 2を公開し、AMDは李飛飛氏のWorld Labsを82億ドルで取得、Amazonは世界モデル新興のDecartを70億ドルで買収すると報じられた。

よくある質問

Q. ゲームエンジンは代替されるのか。
まだ早い。物理の細部には反論が付き、人物表現も粗い。ただし企画段階の仮撮影や、ロボット訓練用の仿真データ生成のような用途は、従来型エンジンで作るより安くなる可能性が高い。

Q. 一般ユーザーはいつ使えるのか。
公表されていない。現時点では一部の試験者に限定され、公開の日程に関する公式の言及はない。

編集部の見解

世界モデル競争が「映像の美しさ」から「音と物理と操作の揃い」へ進んだことが、今回の実質的な転換点である。日本のゲーム・映像産業にとっては、既存パイプラインの仮撮影工程への組み込みが現実的な入口になる。ロボット分野では仿真データの質が主体の学習に直結するため、国内メーカーも早期の試用評価を動かすべき局面だ。

my-best.ai 編集部

出典：36Kr「GTA 6はまだ来ないが、もう新しいグーグルのモデルで運転している」（寄稿：差评X.PIN、2026年10月29日）

あわせて読みたい

• Gemini 4 CarbonがAA指数で首位奪還、速度と幻覚率という代償
• 清華27歳准教授の超衍智能がApex-35B発表、Flintに21項目中18勝
• ChatGPT Pro 200ドルのCodex枠が10倍に半減、最終日の境界線

本日の36Kr AI版の記事を日本語で整理したものです。最新記事の一覧から他のニュースも読めます。