公式発表によると、Genie 4はGoogle DeepMindで初めて音声をネイティブ生成するリアルタイムワールドモデルです。世界ごとの環境音に加え、登場人物が入力や出来事に反応して話す対話もリアルタイムに生成されます。操作はキーボードで移動とカメラを行い、テキストで天候の変更、カメラの移動、人物や物体の追加を指示できます。指示文はGeminiが場面に合わせて調整されるため、途中で入力しても世界は一貫性を保って進む設計です。
- 01 世界の生成
Genie 4が描画
操作と指示に応じて世界をリアルタイムに描き、音も鳴らす。
- 02 場面の観察
Gemini 3.8 Flash
生成された映像を連続的に観察する。
- 03 計画と検証
手順の分解と確認
目標を手順に分解し、各フレームで手順の達成を確認する。
- 04 適応
計画を立て直し
世界の変化や介入に応じて計画をその場で立て直す。
Google DeepMindの公式発表による。Gemini Omniが外観と挙動の現実性を支える構成と説明されています。
DeepMindは、Gemini Omniが世界の外観と挙動の現実性を支え、Gemini 3.8 Flashが生成映像を観察して手順を計画・追跡・検証する「ループ内の案内エージェント」として働く構成を説明しています。物理表現では空力や衝突といったシナリオのシミュレーションが改善され、人物は自然な動きで操作に反応するのが特徴です。あわせて、Gemini 4 Argonがタスクを手順に分解し、Genie 4がApptronikのヒューマノイド「Apollo」がチェスを指す場面を描く研究実験も公開されました。これは研究実験であり、実機ロボットの性能改善を実証した発表ではありません。
操作
- Genie 3
- リアルタイム操作あり(24fps、720p)
- Genie 4
- あり(改善)
場面変更
- Genie 3
- テキストで変更(promptable world events)
- Genie 4
- あり(Geminiが文脈に合わせ調整)
音声
- Genie 3
- ネイティブ生成なし
- Genie 4
- あり(環境音・音楽・対話)
Gemini統合
- Genie 3
- 限定的
- Genie 4
- Omniが現実性を支え、3.8 Flashが計画・検証
両世代の公式発表による。リアルタイム操作とテキストによる場面変更そのものはGenie 3に存在し、Genie 4の新規性ではありません。
つまりGenie 4の新規性は「操作できる世界」の初登場ではなく、音声のネイティブ生成、写実性と人物動作の改善、Geminiとの深い統合にあります。TechCrunch(2026年10月27日)は、一貫した場面の長さが前世代の倍の最大約2分になったと報じています。これは取材に基づく報道値であり、Genie 3の公式発表は「数分間の一貫性」と説明していたため、単純な性能比較としては読めません。
提供は信頼されたテスター向けの研究プレビューから始まり、Google AI Ultra加入者向けのProject Genieと、Gemini API・AI Studioの早期アクセスパートナーへ順次広げる計画です。生成した動画と音声にはすべて、AI生成物を示すSynthIDの透かしが埋め込まれます。
DeepMind自身が、長時間の実行や複雑な編集で視覚的な詳細や物体の永続性がずれ得ること、複雑な物理相互作用、音声の正確さ、判読できる文字の描画、空間精度、長期の一貫性が今後の研究課題だと明記しています。公開されている映像はすべて生成されたデモであり、実写ではありません。物理の正確さや商用利用の効果についての独立した第三者評価は、この時点では公表されていません。
出典
- Genie 4: A new generation of world simulation(Google DeepMind公式ブログ)2026-10-27発表。音声のネイティブ生成、キーボード操作とテキストによる場面変更、Gemini Omniと3.8 Flashの役割、Argonとのロボット実験、テスター向けプレビューと展開予定、SynthID、限界の説明
- Genie 3: A new frontier for world models(Google DeepMind公式ブログ)2025-08-05発表。リアルタイム操作(24fps、720p、数分の一貫性)とpromptable world eventsが既存機能であることの確認
- Google's Genie 4 world model adds audio, more realistic worlds, and real-time steering(TechCrunch)一貫した場面の長さ最大約2分(前世代の倍)の報道値。Google研究者への取材に基づく
出典の確認日 2026.10.28