Google DeepMindが「Genie 4」を発表
Google DeepMindは、インタラクティブな仮想世界をリアルタイム生成するワールドモデル「Genie 4」を発表した。前世代のGenie 3と比べて映像のリアリティや物理現象の再現能力を高め、映像と同時に環境音、音楽、登場人物の会話も生成できるという。
一般的な動画生成AIが完成済みの映像を再生するのに対し、Genie 4はユーザーの移動や働きかけに応じ、その結果をリアルタイムで生成する点が特徴だ。
Genie 4の主な機能
自然言語による仮想環境の操作
ユーザーはテキストで指示し、天候の変更、人物や物体の追加、カメラ移動などを実行できる。空気力学や衝突を含む物理現象のシミュレーションにも対応するとされる。
人物の生成とリアルタイム指示
自然に動き、周囲の環境へ反応する人物を生成できる。生成された人物の行動に対し、ユーザーがリアルタイムで指示を与えることも可能だという。
環境音と会話音声のネイティブ生成
風や波などの環境音に加え、登場人物の会話を映像とともに生成する。会話内容は、仮想世界の状況やユーザーの入力に応じて変化する。
Gemini各モデルとの連携
Genie 4は、用途の異なるGeminiファミリーのモデルと連携する。
- Gemini Omni：現実世界に即した外観や動作の生成を支える。
- Gemini 3.8 Flash：生成中の場面を監視し、複数手順からなる行動を計画・修正する。
- Gemini 4 Argon：ロボットが褎雑な作業を行う様子のシミュレーション実験に使用されている。
利用方法と提供先
Genie 4は、まず限定テスター向けの研究プレビューとして提供される。今後予定されている利用経路は次の通りだ。
- Project Genie：仮想世界を生成・探索するサービス。Google AI Ultra加入者への提供が予定され、ウェイトリスト登録を受け付けている。
- Gemini API：早期アクセスパートナー向けに提供予定。
- Google AI Studio：早期アクセスパートナー向けに提供予定。
生成される映像と音声には、AI生成コンテンツを識別する電子透かし「SynthID」が埋め込まれる。
想定される応用分野
Google DeepMindは、映画制作、ゲーム開発、教育、ロボットやAIエージェントの訓練への応用を挙げている。これらは同社が示した想定用途であり、記事では具体的な導入事例や効果は示されていない。
現時点の制約
- 連続して操作できる時間は数分程度。
- 長時間の利用では、物体の外観や位置の一貫性が失われる場合がある。
- 複雑な物理的相互作用には課題が残る。
- 生成音声の正確性にも改善の余地がある。
以上は発表時点で報じられた事実であり、一般提供の具体的な時期は記事内で明らかにされていない。
