Google DeepMindの世界モデルGenie 4、音声生成と2分間の実時間対話

Google DeepMindは10月27日、新しい世界モデルGenie 4を発表した。単回の連続対話は前代の1分から約2分へ倍増し、実時間の画面は約24fps。音声の生成が初めて内蔵され、自然言語で世界をその場で書き換えられる。研究プレビューから段階的に開く。

Genie 3から何が変わったのか

構成は三層だ。Genie 4が視覚と音声と環境を実時間で生成し、Gemini Omniが現実の見た目と振る舞いの基礎を支え、Gemini 3.8 Flashが生成の経過を観ながら複雑な目標を工程に分解し、完了を検査する。人型ロボットによるチェッカー実演では、Gemini 4 Argonが工程分解を行い、Genie 4へ指示を出した。Googleはこの構成を「混合世界モデル」と呼ぶ。

実測では何が見えたのか

先行アクセスを得たa16zパートナーのJustine Moore氏は、世界の生成は通常30秒未満で、約2分の実時間対話窓があると報告した。水中洞窟のデモでは、呪われた紫のダイヤの発光や、電気鰻の群れ、幽霊海賊の出現を文章でその場で追加でき、画面右上のフレームパネルは平均23.8fpsを示していた。ウォートン校のEthan Mollick教授は「馬と機械人が住む新ゴシックの粗野主義都市」の一文から都市を生成し、23.4〜25.3fpsでの動作と、オッターのNPCが即興で話しかける様子を公開した。

物理面では、石台の西瓜が砕ける破片の軌跡、風で波打つ絹、回転しながら落ちる楓の種といった描写が示された。人物の動作は環境への反応を含めて自然になり、操作への追従も実時間で行われる。ただし物理は学習に基づく生成であり、計算ではない点は明確にされている。

音声の追加は実用面で大きい。龍に乗って山脈を飛ぶデモでは、翼の音、気流、遠くの火山活動までが生成そのものであり、登場人物が状況に応じて話す会話も生成される。脚本を固定しない対話型キャラクターの原型になる。

何に使えるのか

2分という窓は、ゲームの一段の遊び方の検証、映像の一分カットのプレビュー、研修シミュレーションの単一場面には十分な長さだ。ロボット開発では、複雑なタスクの成功率を事前に検証する「壊せる平行宇宙」としての用途が、Google自身のデモでも示されている。供給側の可能性としては、 Geminiの計画能力とGenieの感覚生成を分ける設計が、Agentの訓練環境そのものになりうる点にある。

よくある質問

Q. いつから使えるのか。
信頼できるテスター向けの研究プレビューから順次展開し、その後Google AI Ultra契約者と、Gemini API・Google AI Studioの早期パートナーへ開かれる。日程の明言は出ていない。

Q. 物理演算は正確なのか。
正確ではない。モデルが学習した世界の法則に基づいて結果を生成しており、すべての物理過程が計算されているわけではないと公式が明記している。気流や衝突の見え方が自然になった、という表現が正しい。

編集部の見解

動画生成の競争は「数秒の美しさ」から「2分の整合性」へ移った。日本の現場でも、店舗研修の分岐シミュレーションや、展示のインタラクティブ演出など「作って壊せる世界」を求める用途は少なくない。実用化の関門は2分後の記憶保持で、世界状態の一致性が次の評価軸になる。

my-best.ai 編集部

出典：36Kr「Googleの世界モデルGenie 4を実測、30秒でゲームを生成し24fpsで実時間対話、遊びながら変更も」（寄稿：AI前線、2026年10月28日）／36Kr「Googleが世界モデルGenie 4を発表、これこそ本物の『世界モデル』」（寄稿：新智元、2026年10月28日）

あわせて読みたい

• Claude Codeが専門家の判断を静かに変える、Anthropic対照実験の86%
• AI歴史ドラマ『持械入宋』が累計再生40億回、短劇の新たな勝ち筋
• Anthropicの6,370億ドル算力契約、ARRを上回る「最低支払い」の重さ

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。