天候も人物も言葉で変更、Google DeepMindの世界モデル「Genie 4」

　Google DeepMindは10月27日、対話型世界モデル「Genie 4」を発表した。信頼できるテスター向けにリサーチプレビューの提供を開始した。今後、Project GenieのGoogle AI Ultra加入者や、Gemini APIおよびGoogle AI Studioの早期アクセスパートナーにも展開する。

　Genie 4は、実写に近い映像表現とリアルタイムの対話型シミュレーションに対応するAIモデルである。環境音/BGM/会話を映像と同時に生成する音声機能を備える。Geminiファミリーの技術を取り込み、Gemini Omniが現実世界に即した外観や動作を支え、ほかのモデルが推論を通じてシミュレーションの一貫性や連続性を補う。

　世界モデルは、周囲の環境とその変化をAIがシミュレーションするモデルである。プロンプトから決まった長さの映像を出力する動画生成AIと異なり、ユーザーの移動や操作を受け取りながら、次に見える場面をリアルタイムで生成し続ける。画面内を歩き回ったり物を動かしたりすると、その結果が物理法則に近い形で映像に反映される。「対話型」とうたうのは、こうした操作に即座に応答できるためだ。

　自然言語で天候やカメラ位置を変更したり、新たな人物やオブジェクトを追加したりできる。Geminiが周囲の状況に合わせて指示を調整し、入力の合間もシーンを監視・誘導する。物理現象や人物の動作表現も改善し、登場人物が環境に反応して自然に動くとしている。

　複雑なイベントの再現では、Gemini 3.8 Flashがガイダンスエージェントとして動作する。目標を複数の手順に分解し、生成中の映像を確認しながら進捗や各段階の成否を検証する。状況の変化やユーザーの介入に応じて計画を修正するほか、キャラクターの会話も入力や世界内の出来事に合わせて変化する。

　安全対策として、有害なコンテンツの生成を防ぐための内部評価を実施した。生成する映像と音声には、AI生成コンテンツの識別を支援する不可視のデジタル透かし「SynthID」を付与する。

　課題として、長時間の利用や複雑な指示による変更を重ねた際に、視覚的な細部や物体の一貫性が崩れる場合がある。複雑な物理的相互作用、音声の精度、読みやすい文字の描画、空間の正確さ、長期的な整合性についても研究を続けている。