現在は研究デモ段階。API提供予定の発表を待つのが現実的です。
11/2時点の判定。発表内容から編集部AIが判定しています。最新の提供状況は公式情報をご確認ください。
Google DeepMindは、言葉や操作に応じてリアルタイムにインタラクティブな世界を生成する最新の世界モデル『Genie 4』を発表しました。従来の映像生成にとどまらず、環境音やキャラクターの対話音声の同時生成、Geminiによるリアルタイムな状況判断を融合。ゲーム制作やロボティクス訓練に大きな革新をもたらす技術の全貌に迫ります。
元動画: Introducing Genie 4
かんたん版：専門用語を使わずに説明しています
言葉を入力したりボタンを押したりするだけで、AIが本物そっくりな「動く世界」と「音」をその場で作り出してくれる技術です。
これまでのAIは「動画を作るだけ」や「会話をするだけ」でした。しかし今回の『Genie 4』は、動画と音声の両方を同時に作り出します。
例えば、画面の中のシェフに「今何を作ってるの？」と声をかけると、シェフが料理をしながら声で返事を返してくれます。まるでビデオゲームの世界をAIがリアルタイムに描いているような感覚です。
ゲームを作る人や、ロボットの開発をしている人にとって大きな進歩です。
本物そっくりな世界をAIが自動で作ってくれるため、ロボットの練習場所を現実で作る手間が省けます。
現在はGoogleの研究所でテストされている段階です。今後、開発者向けの提供（API）が予定されているので、公開を楽しみに待ちましょう。
Google DeepMindが開発した最新の世界モデル「Genie 4」が発表されました。
言葉や操作に応じて、映像だけでなく音声や会話までリアルタイムに作り出す技術です。
ゲーム開発やロボットの学習環境づくりに大きな影響を与えると期待されています。
「で、結局何が新しく登場したの？」
Google DeepMindは、AIが動的な世界をリアルタイムにシミュレートする「世界モデル」の最新版『Genie 4』を発表しました。
研究チームのライア・ハドセル（Raia Hadsell）氏、ディエゴ・リヴァス（Diego Rivas）氏、ハン・チー（Hang Qi）氏らが、ホストのローガン・キルパトリック（Logan Kilpatrick）氏とともに、動画番組「Release Notes」で解説を行いました。
Genie 4は単なる動画生成AIではなく、ユーザーのキーボード操作や音声・テキストの入力に即座に反応し、映像・効果音・会話音声を同時に作り出すモデルです。現在は研究段階ですが、今後は開発者向けの「Project Genie」およびAPI経由での提供が予定されています。
「前のバージョンと何が変わったの？」
デモでは、モノクロのジャズバンドの静止画から動画を生成する様子が公開されました。
クラリネットやコントラバスを演奏するミュージシャンたちの動きに合わせて、サックスの音色やドラムのリズム、スキャットの歌声が完璧なタイミングで流れます。これまでのGenie 3までは映像のみの出力（サイレントな世界）でしたが、Genie 4では映像と音声のトークンを同じモデルで予測・出力する構造へと進化しました。
「エゴセントリック（一人称視点）」のデモでは、ラテアートの入ったカップを持つバーテンダーの視点が描かれました。
キーボードの「WASD」キーや矢印キーを使ってカメラ視点を操作し、カフェの店内を自由に歩き回ることができます。生成される映像は非常に一貫性が高く、視点を移動してもカフェのテーブルや奥の客席、厨房の設備が崩れることなく維持されます。
レストランの厨房を舞台にしたデモでは、画面奥にいるシェフにマイクで「シェフ、何を作っているの？」と問いかける場面が披露されました。
するとシェフがカメラの方を振り向き、「夕食のサービス用に、ハーブとニンニクを添えたサーモンのムニエルを焼いているところだよ」と音声で回答しました。裏側ではGeminiモデルが状況を監視・理解しており、生成される世界のコンテキストに合わせた対話の文字起こしと音声を即座にフィードバックしています。
動画制作の「プレビズ（事前視覚化）」やコンセプトワークへの応用デモとして、実際のスタジオセットの映像をベースにした生成が示されました。
撮影用カメラが並ぶ実際のスタジオに「天井に緑色のドラゴンを登場させて、炎を吐かせる」というテキスト指示（プロンプト）を入力すると、リアルタイムにドラゴンが出現して周囲の照明効果や影まで自然に変化しました。
Google DeepMindのロボティクスチームによるデモでは、二本のロボットアームがテーブル上のアルファベットブロックを操作する様子が公開されました。
LLMの「Argon」が「S-C-R-A-M-B-L-Eの文字を組み替えて単語を作れ」という指示を受け取り、手順をステップごとにテキストで生成。それを受けたGenie 4が、ロボットアームが木製ブロックを滑らせて「A-R-G-O-N」と並べ替える映像とモーター音をリアルタイムでレンダリングしました。
「数字で見るとどれくらい進化しているの？」
Genie 1からGenie 4にかけて、世界モデルの対応次元と速度が飛躍的に向上しました。
| 比べること | 前（Genie 1 / Genie 2 / Genie 3） | 今回（Genie 4） | 変化 |
|---|---|---|---|
| 生成空間の次元 | 2Dゲーム（Genie 1）→ 3Dゲーム風（Genie 2）→ 高精細3D（Genie 3） | フォトリアルな3D空間と音声 | 完全マルチモーダル化 |
| 音声の有無 | なし（サイレント） | あり（効果音・BGM・対話音声） | 音声同時生成 |
| 再生フレームレート | インタラクティブ動作不可〜低速 | 24〜30 FPS（標準再生） | リアルタイム動作 |
動画内では「計算資源（TPU）を1人に集約すれば60 FPSも可能か？」という質問に対し、DeepMindチームは「60 FPSはまだ試したことがないが、現在の24〜30 FPSは入力の遅延（レイテンシー）とリアルタイム生成のバランスをとった結果である」と回答しています。
「他のAI（SoraやRunwayなど）と何が違うの？」
SoraやGen-3が「完成された動画ファイル」を出力するのに対し、Genie 4は「操作に応じてその場で変化する空間」を提供します。
| 比べること | 一般的な動画生成AI（Sora / Runway Gen-3） | Genie 4 | 有利なのは |
|---|---|---|---|
| 操作性 | 事前プロンプトによる一括生成（途中の介入不可） | キーボードや音声によるリアルタイム操作 | Genie 4 |
| 音声同期 | 後付けまたは別モデルによる生成 | 映像表現と同時に同一モデルから予測出力 | Genie 4 |
| 主な用途 | 映像制作、CM、アセット作成 | ゲーム体験、ロボット学習シミュレータ、プレビズ | 用途による |
※上記ライバル製品との比較は、一般的な動画生成AIの機能仕様（編集部注）に基づきまとめたものです。
「利用料金はいくらかかるの？」
動画内では価格や料金プランに関する具体的な数値の提示はありませんでした。
現在Genie 4はGoogle DeepMindの内部研究プロジェクト段階であり、一般ユーザー向けの料金表は設定されていません。ただし、今後は開発者向けプラットフォーム「Project Genie」およびAPIを通じて提供される予定であることが言及されています。
「日本から今すぐ試すことはできるの？」
結論から言うと、現時点では一般ユーザーが日本から直接試すことはできません。
「で、自分の仕事にはどう関係してくるの？」
物理シミュレータを用意することなく、プロンプトひとつでAI訓練用のインタラクティブ環境を構築できるようになります。特にロボティクスや自律型エージェントの開発において、現実世界のデータを集めるコストを大幅に削減できます。
映画やゲーム、CG制作の初期段階（ストーリーボードやプレビズ）において、アイデアをその場で動く3D映像と音声として試作できます。「もしここにドラゴンを置いたらどうなるか」といったクリエイティブな実験が数秒で完了します。
将来的には従業員のトレーニングや危険作業のロールプレイシミュレーションを格安かつ安全に作成できるようになります。AIモデルの安全性確保には「SynthID」による電子水脈（ウォーターマーク）技術が組み込まれており、偽情報の拡散リスク対策も考慮されています。
「次にどう動けばいいの？」
Genie 4は、AIが言葉を理解する段階から「世界を理解し、シミュレートする」段階へと移行したことを象徴する発表です。
同じ話題の記事一部Googleが「世界モデル」の新版Genie 4を発表 言葉で操作でき音も自動生成Genie 4は言葉でカメラや天気を変えられるリアルタイムの世界モデル前日に出た記事から大きな発表を選び、1本2行でまとめてメールで届けます。無料・いつでも解除できます。
主要企業の大きな発表だけ、1日4回まで。夜22時〜朝7時は鳴らしません。いつでも解除できます。
本記事は元動画の映像・音声をAIが解析して自動生成したものです。誤りが含まれる可能性があるため、正確な仕様・料金は公式発表をご確認ください。元動画を見る（解析モデル: gemini-3.5-flash）制作方法と事実確認の手順は編集方針をご覧ください。誤りのご指摘はお問い合わせから受け付けています。
GoogleがマルチモーダルAI「Gemini Live」や「Gemini Flash」を活用した自律走行植物ロボット「Sprout」を公開。オフィスを自走して日光を探し、水分不足をチャットで通知、音声会話もこなす開発プロセスの全貌を解説します。
GoogleがGeminiとFirebaseを活用した低遅延遠隔ロボット制御フレームワークを公開。欧州とテキサス間（1700マイル）の3Dデジタルツイン操作と物理サーボ制御を実現したアーキテクチャを解説します。
GoogleがGeminiを活用し、1700マイル離れたロボットアームをWebブラウザからリアルタイム制御するデモを公開。Geminiが3Dビジュアライザーや制御スクリプトを生成し、Firebaseを介して超低遅延同期を実現した技術詳細をベテラン記者が解説します。
Googleの開発者向け自律AIツール「Google Antigravity」の事例が公開。Geminiモデルを活用した自律エージェントが、コード生成やテスト、PR作成まで自動処理し、開発サイクルを劇的に短縮します。
