• Google DeepMindのGenie 4は、映像と同時に音と会話を生み出すワールドモデルです。
• Geminiが目標を手順に分けて見守り、計画を直すので、段階を踏む作業を世界の中で試せます。
• 提供は選ばれたテスターだけで、時間が長いと細部がずれる課題も残っています。

10月27日、Google DeepMindがワールドモデル「Genie 4」を発表しました。ワールドモデルとは、操作に応じて先の展開が変わる映像の世界を、AIがその場でつくり続ける仕組みです。

操作できる世界は、前の世代のGenie 3にもありました。公式は4つの進歩を挙げています。この記事では、新しさが際立つ3つに絞ります。環境音や音楽が映像と同時に生まれること。登場人物が会話で反応すること。Geminiが目標を手順に分け、計画を直すことです。

ただし、提供は選ばれたテスターだけです。使い道は、完成品の前の「動く試作」が現実的でしょう。

ワールドモデルへの期待：訓練と試作の土台

ワールドモデルは、AIが「世界がどう動くか」を学び、その中で先の展開を再現する仕組みです。映像を流すのではなく、操作や出来事に応じて、世界のほうが反応します。

注目される理由は、ビジネスでの使い道にあります。公式は、世界を理解して再現することを、汎用的なAIを築くうえで欠かせない要素と位置づけています。そのうえで、ロボットやAIエージェントの訓練環境づくりと、新しい対話型の体験づくりを、用途に挙げています。

現実の世界で、ロボットの訓練データを集めるには、時間も費用もかかります。ワールドモデルがあれば、安全に、条件を変えながら、何度でも試せます。シミュレーションや訓練の場として、いま非常に注目されている理由です。

そのワールドモデルの新世代が、Genie 4です。ここからは、3つの進化を順に見ていきます。

1つ目の進化：世界と同時に生まれる音

音は、後から重ねるものではありません。Genie 4は、映像と環境音、音楽を同時に生成します。公式は、音をそのまま生成する初めてのリアルタイムワールドモデルだと説明しています。

風に揺れる木々の音から、浜辺で砕ける波の音まで。世界ごとに、その場所の音が付きます。

公式デモの1つは、湖に浮かぶ台の上でサックスを吹く人物の世界です。カメラは自由に動き回れます。デモの音も、Genie 4が直接出したものだそうです。

進歩は音だけではありません。空気の流れや衝突といった物理の表現も高まりました。最も大きな進歩は人物で、自然に動き、周りの環境に反応するようになったと公式は言います。

音と人物が加わると、世界は「眺める映像」から「居合わせる場」に近づきます。

2つ目の進化：操作に反応する会話

もう1つの新機能が、対話です。登場人物が会話を交わし、こちらの操作や世界の出来事に反応します。公式は、人の話し声こそが本当の最前線だと位置づけています。

操作の方法は2つあります。キーボードで移動やカメラを動かし、文章で場面を変えます。天候を変える、人物や物体を足す、といった指示です。Geminiが、その指示を周りの場面になじむように補います。

文章で世界を書き換える機能は、Genie 3にもありました。今回の違いは、変えた結果が、音や人物の反応にまでつながる点だと読めます。

指示と指示のあいだも、Geminiは場面を見守り、世界が一貫して進むように舵を取ります。この「見守る役」が、3つ目の進化につながります。

3つ目の進化：計画を立て直すGemini

3つ目は、世界をつくるループの中に、案内役がいることです。公式の説明では、Geminiが「ループの中の案内役」として働きます。

動きは3段階です。Geminiは、世界が生まれる間ずっと場面を観察し、目標を手順に分けます。届いた映像で進み具合を調べ、各手順が成功したか確かめます。世界が変わったり、人が割り込んだりしたら、その場で計画を直します。

狙いは、原因と結果が一貫する世界です。手順のある作業や、段階を踏む判断を、世界の中で試せるようになります。

研究例は、Gemini 4世代のモデルと組み合わせた、人型ロボットがチェッカーを指す模擬場面です。Geminiが課題を手順に分け、文字の指示として途中で渡すと、Genie 4が映像にします。実機の成功ではなく、あくまで世界の中の模擬です。

▶︎ あわせて読みたい：Google I/O 2026の発表を整理した前の記事

たとえるなら、Genie 4が映像と音をつくる職人、Geminiが段取りを見守る現場監督です。絵をつくる役と、目標を見る役を分けたことが、今回の設計の核心です。

使い道：完成品の前の動く試作

公式は、テスターが試している使い道を挙げています。効果を示す数字は、まだ出ていません。

映画では、場面の中に入り、カメラや照明、台詞を変えながら「テイク」を何度も回せます。報道では、1枚の古い写真から、その場所の世界を数秒で立ち上げる試みです。ゲームでは、アイデアから歩ける試作まで、数秒で進みます。企業の協力先は、ゼロから場面をつくる用途を評価しています。

共通点は、完成品ではなく、試作の入口だということです。公式も、事前の可視化に使う「ドラフトモード」と呼んでいます。

別の世界生成サービスMarbleは、3Dの世界を書き出し、制作の道具へ渡す使い方です。Genie 4は、体験の中で動かして確かめる使い方です。データで渡すか、動かして試すか。違いは出力と工程にあります。

提供範囲と残る課題

いま使えるのは、選ばれたテスターだけの研究プレビューです。次の提供先は、Google AI Ultra加入者向けのProject Genieと、Gemini APIの早期パートナーです。近日中に広げる予定で、待機リストも開いています。「近日」は、提供開始ではありません。

安全面では、Genie 4が出す映像と音のすべてに、見えない電子透かしのSynthIDが入ります。

課題は、公式が認めています。時間が長くなる、複雑な指示を重ねる、場面の中を動き回る。こうした条件では、細部や物の存在がずれていきます。複雑な物理、音の正確さ、読める文字、位置の正確さも研究中です。

見立てと結び：変わる試作の現場

僕の見立てですが、今回は「きれいに動く」から「目標を守って動く」へ進む合図です。公式は今後の道筋を、ハイブリッド型と呼んでいます。Geminiが構造と物語の流れを組み、Genieが見た目と音、反応を描く分担です。

映像が自然に動くことと、目標が達成されたことは、別の話です。Geminiの検証ループがあるのは、そのためでしょう。日本の現場では、まず試作の用途から使われると見ています。研修の場面案、映像の絵コンテ、ゲームの企画などです。細部がずれる間は、品質や安全の判断の根拠にはできません。

それでも、制作や訓練の最初の一歩は、説明資料から、動く試作に変わっていきます。企画の段階で複数の案を体験にして見せられれば、決める速さが変わります。

作る側は、案を出す回数が増えます。発注する側は、完成を待たずに、動くもので合意を取れます。早く触って判断材料を持った側が、有利になるでしょう。

よくある質問（FAQ）

Q1. Genie 4は今すぐ誰でも使えますか？

使えません。いま使えるのは、選ばれたテスターだけの研究プレビューです。次の提供先は、Google AI Ultra加入者向けのProject Genieと、Gemini APIの早期パートナーです。近日中に広げる予定で、待機リストも開いていますが、「近日」は提供開始ではありません。

Q2. Genie 4は前の世代のGenie 3から何が新しくなりましたか？

新しさが際立つのは3つです。映像と同時に環境音や音楽が生まれること、登場人物が会話で操作や出来事に反応すること、Geminiが目標を手順に分けて計画を直すことです。操作できる世界や、文章で世界を書き換える機能は、Genie 3にもありました。

Q3. ワールドモデルは企業の仕事にどう使えますか？

公式は用途として、ロボットやAIエージェントの訓練環境づくりと、新しい対話型の体験づくりを挙げています。テスターは映画、報道、ゲームの分野で試しています。現実的なのは、完成品の前の「動く試作」です。時間が長いと細部がずれるため、品質や安全の判断の根拠にはできません。

---

AIを徹底的に使いこなすためだけのコミュニティ「フロンティア・リーダーズ」。新しい技術を、自分の仕事に組み込んで確かめる場です：https://frontier-leaders.vercel.app/

2時間で、AIを使った自分専用の道具を作る実践ハンズオン（過去回のアーカイブ）：https://handson.workstyle-evolution.co.jp/

週次のAIニュースを解説する動画チャンネル『いけともch』：https://www.youtube.com/@iketomo-ch

■合わせて読みたい

■関連記事