Genie 4とは？Googleの音声付き世界モデルの機能と提供時期

Genie 4はGoogleの音声付き世界モデル

Genie 4は、キーボードで歩き回る仮想世界を、環境音や登場人物の会話まで含めて操作に合わせてリアルタイムで生成します。 開発したのは、Googleで人工知能の研究を担当するGoogle DeepMindです。

Genie 4はGeminiのモデル群をベースにしています。Gemini Omniが見た目や動きを現実に近づけ、他のGeminiモデルが世界のつじつまを保つ処理を担当します。

DeepMindによると、リアルタイムで動作する自社の世界モデルで音声を映像と一緒に生成するのは、Genie 4が初めてとのこと。音楽・環境音・登場人物の声が、映像の世界と同時に生成されます。

世界モデルは操作に合わせて次の映像を作り続ける

世界モデルは、キーボードの操作や文章の指示を受けるたびに、その先に見える映像をその場で作り続けるAIです。 長さが固定された映像を一度に出力する動画生成AIとは違い、ユーザーが前に進めば前方の景色が、振り向けば背後の景色がその都度生成されます。

Genie 4では、キーボードで移動とカメラの向きを操作し、文章で世界の中身を変更します。何かの出来事を発生させた場合も、Genie 4はその後の世界の反応を予測し、そこで聞こえる音や人の動作、会話まで含めて描きます。

DeepMindが10月27日に研究プレビューで発表

Genie 4は一般公開ではなく、信頼できるテスターを対象にした研究プレビューとして提供が始まりました。 Google DeepMindがGenie 4を発表したのは、2026年10月27日です。研究プレビューは、完成した製品として販売する前に、限られた相手に試してもらう段階の公開を指します。

Genie 3は2025年8月5日に発表された前のモデルで、Genie 4はその後継です。一般のユーザーが利用できる時期について、DeepMindは日付を公表していません。

何ができる？物理演算・音声・Gemini連携

Genie 4で進化した能力は次の4つで、どれにもGeminiのモデルが関わっています。 Genie 4が映像を生成し、Geminiが指示の解釈と進行の管理を担当します。4つのうち音声の生成は、Genie 3には無かった能力です。

Genie 4で進化した4つの能力

能力	中身
言葉で世界を変更	天気・カメラ・人物や物の追加を文章で指示
物理演算と人物	空気力学や衝突、周囲に反応して動作する人物
音声の生成	場所に合った環境音と、登場人物の会話
複雑な出来事の再現	Gemini 3.8 Flashが目標を段階に分けて進行を管理

言葉で天気や人物をその場で変更可能

天気の変更やカメラの移動、人物や物の追加を文章で指示すると、Geminiが周囲に合わせて調整したうえで世界に反映します。 キーボードで歩き回っている途中でも、世界を作り直さずにそのまま中身が切り替わります。

Geminiは指示をそのまま映像にするのではなく、周りの状況に合うよう中身を整えてからGenie 4に反映させます。指示と指示のあいだもGeminiが世界の様子を見続け、進行が崩れないように誘導を続けます。

衝突などの物理演算と、周囲に反応する自然な人物を再現

Genie 4は空気力学や衝突などの物理演算を再現します。物理演算は、物の動きやぶつかり方を現実の物理法則に沿って計算する処理を指します。

DeepMindがもっとも大きく伸びたとするのは人物の表現で、歩き方や反応が自然になり、ユーザーがその場で操作することもできます。 人物どうしのやりとりは、Genie 3の時点では研究課題として残っていた部分でした。

映像に合わせて環境音と登場人物の会話が流れる

Genie 4は、木を揺らす風や浜辺の波のような環境音と、入力に応じて話す登場人物の声を映像と同時に生成します。 環境音は世界ごとに付くため、森と海辺では流れる音が変わります。

登場人物は、ユーザーの入力や世界で発生した出来事に合わせて、その場で会話して反応します。用意されたせりふを読み上げる仕組みではないため、同じ世界でも操作が変われば会話の中身も変わります。

Geminiが目標を段階に分けて複雑な出来事を再現

Gemini 3.8 Flashは世界を見続けながら目標をいくつかの段階に分け、複雑な出来事を組み立てます。DeepMindは、Genie 4とGoogleのAIモデルGemini 4 Argonを組み合わせた例を紹介しています。Apptronik社が開発した人型ロボット「Apollo」が、盤上でチェッカー（西洋のボードゲーム）を指す様子を再現したものです。

Gemini 3.8 Flashが映像のコマを見て各段階の成否を判断し、ロボットApolloがチェッカーを指すまでの流れを順に進めます。 段階ごとに成否を判断してから次へ進むため、手順の多い出来事でも流れが途中で崩れにくくなります。

Genie 3との違いは音声と人物の表現

Genie 4では映像と一緒に音声が流れ、登場人物が自然な動作で会話するようになりました。 言葉で天気や物を変える機能はGenie 3にもあり、DeepMindはこの機能をpromptable world events（文章で発生させる世界の出来事）と呼んでいました。

Genie 3とGenie 4の公表値

比較の観点	Genie 3	Genie 4
発表日	2025年8月5日	2026年10月27日
解像度	720p	公表なし
フレームレート	毎秒24フレーム	公表なし
続けて操作できる時間	数分	公表なし
音声	なし	環境音・音楽・会話を生成
言葉で世界を変更	対応	対応（Geminiが調整）
人物どうしのやりとり	研究課題	自然な動作で会話

数字で比較できるのはGenie 3の側だけです。表で「公表なし」とした3つの性能について、DeepMindは2026年10月30日時点でGenie 4の数字を出していません。

Genie 3は720p・毎秒24フレームで音声なし

2025年8月発表のGenie 3は、720p・毎秒24フレームの世界を生成するモデルです。720pは、動画配信サービスなどでHD画質と呼ばれる画質のことです。

Genie 3が同じ世界を保つことができるのは数分間で、映像に音は付きませんでした。 Genie 3は、DeepMindの世界モデルで初めてリアルタイムの操作に対応したモデルでした。複数の登場人物どうしのやりとりを描くことも、Genie 3の時点では研究課題として残っていました。

DeepMindは解像度も操作できる時間も公表していない

Genie 4の解像度やフレームレート、1回に操作できる時間と料金を、DeepMindは2026年10月30日時点で公表していません。一部の報道には操作できる時間を具体的な数字で書いた記事もありますが、DeepMindの発表にその数字は出てきません。

比較の材料になるのは、Genie 3を使うProject Genieの「1つの世界を60秒探索できる」という数字だけです。 Genie 4で同じ条件になるかどうかは、Project Genieでの提供が始まった時点で確認できます。

Genie 4はいつ誰が利用できる？提供の順番

Genie 4は、テスターから一般のユーザーまで3段階で提供が広がる予定です。 それぞれの段階がいつ始まるのか、DeepMindは日付を公表していません。

Genie 4の提供の順番

段階	対象	状況（2026年10月30日時点）
1	信頼できるテスター	研究プレビューとして提供中
2	Project GenieのGoogle AI Ultra加入者	予定（待機リストを受付中）
2	早期アクセスの開発パートナー（Gemini API／Google AI Studio）	予定
3	一般のユーザーと開発者	予定

今は一部のテスターだけが利用可能

2026年10月30日時点でGenie 4を利用できるのは、創作・報道・教育・ゲーム・工学の5分野で活動する一部のテスターだけです。 テスターになるための申し込み窓口について、今回の発表でDeepMindは触れていません。一般のユーザーがいまできるのは、Project Genieの待機リストへの登録です。

次はGoogle AI Ultraの加入者へ提供する予定

次の提供先はProject GenieのGoogle AI Ultra加入者で、Project Genieでは今からGenie 4の待機リストに登録できます。 Project Genieは、文章や画像から世界を作って探索できる、Googleが研究用に公開している試作サービスです。Google AI Ultraは、GoogleのAIサービスを使うための有料プランのうち最上位のプランです。

Googleのヘルプによると、Project Genieを利用できるのは、Google AI Ultraを提供している国や地域に住む18歳以上の加入者とのこと。アクセス先はlabs.google/fx/projectgenieで、個人のGoogleアカウントでログインします。世界の生成でAIクレジットは消費しません。

開発者にはGemini APIの早期アクセスで提供

開発者向けの提供は、Gemini APIとGoogle AI Studioを通じて行われます。Gemini APIは、Geminiのモデルを自分のアプリやサービスからプログラムで呼び出すための窓口です。Google AI Studioは、Geminiのモデルをブラウザで試すことができる開発者向けの画面です。

最初の対象は募集方法が未公表の早期アクセスパートナーで、一般の開発者に開かれるのはその後です。 Gemini APIで利用するときの料金についても、DeepMindはまだ公表していません。

テスターの使い道と現時点の限界

Genie 4は映画やゲームの試作で試されている一方、長く操作すると一貫性が崩れるなどの限界が残っています。 研究段階のモデルとして残る欠点を、DeepMindも発表の中で認めています。

テスターは映画の下見やゲームの試作に使っている

テスターは、撮影前に行う映画の下見や古い写真に写った光景の再現、ゲームの試作にGenie 4を使っています。DeepMindが紹介している使い方は、次の4つです。

テスターが試しているGenie 4の使い方

ユーザー	使い方
映画制作者	撮影前の下見で、カメラ位置・照明・せりふ・動きを変えながら何度も撮り直す
報道写真家	古い写真1枚から、当時の場所を数秒で歩き回ることができる世界にする
ゲーム開発者	エンジンのコードを書く前に、思いつきを数秒で歩き回ることができる試作にする
企業のパートナー	さまざまな状況を一から作るシミュレーション用途で評価する

どの使い方も撮影や開発に入る前の段階で、完成品に近い見た目を短い時間で手に入れるためのものです。 完成した映像やゲームそのものをGenie 4で作る使い方は、DeepMindが紹介した例に含まれていません。

長く操作し続けると細部や物の一貫性が崩れる

Genie 4は短い時間なら世界の一貫性を保つことができますが、長く操作したり指示を重ねたりすると細部や物の存在がずれていきます。 世界の中を広く歩き回った場合も同じで、一度見た物があとで見るとずれていたり、無くなっていたりすることがあります。

DeepMindは、次の5つをまだ研究中の課題としています。課題を解決する時期について、DeepMindは日付を公表していません。

• 複雑な物理のやりとり
• 音声の正確さ
• 判読できる文字の描画
• 空間の正確さ
• 長い時間の一貫性

看板の文字をはっきり描かせることや、同じ世界の中で長い時間作業を続けることは、今のバージョンでは期待しにくい使い方といえます。どちらも、5つの課題のうち文字の描画と長い時間の一貫性から生じる制約です。

映像と音声にはすべてSynthIDの透かしが入る

Genie 4が生成する映像と音声には、すべてSynthIDの電子透かしが入ります。SynthIDはGoogleが開発した技術です。DeepMindは公開の前に社内で安全性を評価し、有害な内容を生成させない仕組みを組み込んだとしています。

透かしは人の目や耳では気づくことができない状態で埋め込まれ、AIが作った映像や音声かどうかを後から判別できます。 判定には専用の仕組みが必要で、Googleは判定ツールのSynthID Detectorを一般に公開中です。SynthID Detectorの対応範囲は「SynthID Detectorが一般公開、AIの画像・動画・音声を判定」にまとめています。

まとめ：Genie 4は音声付きの世界モデルで提供はこれから

Genie 4は音声と人物の表現で世界モデルを一段進めたものの、数字も提供もまだ途中で、評価は一般公開を待つ段階です。 テスターの使い道がどれも撮影や開発の前の試作に集まっているのは、長く操作すると一貫性が崩れるという限界を考えれば自然です。短い時間で見た目を確認する用途には適していますが、同じ世界で長く作業を続ける用途にはまだ適していません。

Genie 4の数字が未公表のため、Genie 3との性能の差は現時点では数字で判断できません。Project Genieで提供が始まれば、Google AI Ultraの加入者は、Genie 4で操作できる時間が現行の60秒からどう変わるかを自分で確認できます。