Genie 4：Google DeepMind、世界モデルに音声・発話・テキスト操作を追加

Google DeepMindは10月27日火曜日、Genie 4を発表した。同社の「世界モデル」の新世代である。これは静止した動画を生成するのではなく、リアルタイムで探索でき、ユーザーの行動に反応する環境を生み出すシステムだ。発表はXでパリ時間17時10分に行われ、Raia Hadsell、Diego Rivas、Hang Qiの連名によるブログ記事が添えられた。

まだ誰も自由に試すことはできない。Genie 4はGoogleが選んだテスターに限定されたリサーチプレビューだ。「近日中」にGoogle AI Ultra加入者向けにProject Genieアプリで提供され、Gemini APIとGoogle AI Studioの早期アクセスパートナーにも提供される予定。順番待ちリストが受付中だ。

変わること：音と発話

最も明確な新機能はネイティブ音声だ。DeepMindはGenie 4を、画像と同時に音を生成する初のリアルタイム世界モデルとして発表している。木々を吹き抜ける風、波、シーンで流れる音楽などだ。特に、キャラクターが話し、ユーザーやイベントに応答でき、対話はその場で適応する。Google自身も、リアルタイム音声の精度はまだ研究課題であることを認めている。

文字で操作する世界

ユーザーはキーボードで移動しカメラの向きを変え、自然言語でシーンを変更する。雨を降らせる、カメラを動かす、人物やオブジェクトを登場させるなどだ。ここでGeminiが活躍する。Genie 4はGemini Omniを基盤に、リアルな外観と振る舞いを実現する。一方、他のGeminiモデルが「頭脳」として機能する。リクエストをアクションに翻訳し、複数ステップのイベントを計画し、2つの指示の間でシーンが一貫性を保つよう監視する。

DeepMindは物理演算（空気力学、衝突）やキャラクターの動きと反応の仕方も強調しており、これを最も劇的な進歩と説明している。これらの主張は現時点でGoogleが選んだデモンストレーションに基づくものだ。

何のために使われるのか

Googleは映画（シーンのプレビュー、角度・照明・対話を変えながら複数の「テイク」をライブで）、ゲーム開発（アイデアからコードを書く前に探索可能なプロトタイプへ）、教育、フォトジャーナリズム（アーカイブ写真がシミュレートされた環境になる）でテスターを引用している。もう一つの、より戦略的な用途は、多様な環境でのエージェントとロボットの訓練だ。ブログ記事では、Apptronikの人型ロボットApolloがチェッカーをする様子をシミュレートするために、Genie 4がGemini 4 Argonと組み合わされている。

認められた限界

GoogleはGenie 4を「初期段階の実験的」モデルと位置づけている。視覚的なディテールとオブジェクトの永続性は、セッションが長くなると、複雑な変更を何度も行った後や、シーン内を移動するときにずれが生じる可能性がある。複雑な物理的インタラクション、読み取り可能なテキスト、空間精度、長時間の一貫性は改善が必要だ。Googleは価格、具体的な日付、解像度、セッションの最大時間を発表していない。セキュリティ面では、生成されるすべての画像と音声に見えないSynthIDの透かしが付与され、モデルはGoogleの他のモデルと同じコンテンツルールを適用する。