Genie 4は自然言語で場面を動かし、環境音や会話を生成する世界モデルです。信頼されたテスターへ展開を始め、UltraやAPIでの早期提供を予定します。 利用可能な段階と将来の用途を分ける必要があります。映像の自然さに加え、場面の連続性と現実の挙動への忠実さを評価することが焦点です。 世界の生成に音と自然言語の操作を統合 Googleは10月27日、リアルタイムの対話型シミュレーションを行う世界モデルGenie 4の研究を発表しました。生成した場面を眺めるだけでなく、自然言語で出来事を起こし、その後の展開を操作するものです。今回の特徴として、現実感と、世界の進行に合わせた音声の生成を挙げています。モデルはGemini系列の能力を組み合わせます。Gemini Omniは現実世界の外観や振る舞いを支え、ほかのGeminiモデルは場面の整合性と連続性に必要な推論を担うと説明しています。世界のシミュレーションを、ロボットやエージェントの訓練と創作を支える研究として位置付けています。発表は研究と提供計画の紹介であり、一般利用者がすべての機能を使える段階ではありません。 創作とエージェントの訓練へ広がる構想 利用者は、カメラの移動、天候の変更、新しい登場人物の追加などを文章で指示できるとしています。世界では、環境音、音楽、対話も進行中に生成されます。映像と音を別々に作って後で合わせる工程を変える可能性があります。対象として映画制作、報道、ゲーム、製造業を挙げていますが、それぞれの現場での効果を測った結果が示されたわけではありません。ロボットやエージェント向けには、安全な訓練環境を作る構想です。ただし、映像が自然に見えることと、現実の物理的な制約を正確に再現することは別の評価になります。創作用の試作と、実際の設備や機器の動作判断では、求める忠実さが異なると見られます。用途を決める際は、操作への反応と、長い場面での一貫性を別々に確認することが論点です。 限定公開の条件を踏まえて用途を見極める Googleは、信頼された限定的なテスターへの展開を始めたとしています。Google AI Ultraの利用者にはProject Genieから、早期アクセスの提携先にはGemini APIとAI Studioから、今後提供する予定です。発表には、一般提供の日付や料金の具体的な案内はありません。利用を検討する組織は、契約や試験参加の条件が明らかになるまで、計画上の提供と現在の利用可能性を区別する必要があります。導入上は、生成した音と映像の修正負担、意図しない場面転換、繰り返し実行したときの違いが論点になると見られます。シミュレーションを訓練へ使うなら、生成世界で学んだ行動を実環境でどう確かめるかも課題です。最初の判断材料はデモの印象だけでなく、自分たちの目的に沿った場面をどの程度制御し、検証できるかになります。