Google DeepMind、ワールドモデル「Genie 4（ジーニー4）」を研究プレビューで発表音声も同時に生成、Gemini 3.8 Flashが操作の途中で場面を見守る

Google DeepMindは現地時間2026年10月27日（日本時間28日未明）、新しいワールドモデル「Genie 4（ジーニー4）」を発表した。公式ブログによると、音楽・環境音・会話といった音声を、世界の映像と同時に生成できる。キーボードでの移動やカメラ操作に加え、文章で天気を変えたり人物や物を足したりもできる。提供は、まず信頼できるテスター向けの研究プレビューだ。

3行まとめ

1. Google DeepMindが2026年10月27日にGenie 4を発表。音声（音楽・環境音・会話）を世界と同時に生成する、リアルタイム操作のワールドモデル。
2. Gemini 3.8 Flashが「ガイド役」として、目標を手順に分け、届いたフレームで各手順の成否を確かめながら世界を導く。
3. 現時点は信頼できるテスター向けの研究プレビュー。Google AI Ultra加入者向けのProject Genieと、Gemini API・Google AI Studioの早期アクセスパートナー向けは「近日提供」。

本記事の内容は、日本時間10月28日1時台に公式ページで確認したものです。

Genie 4で何ができるのか

公式ブログによると、Genie 4は「ネイティブにマルチモーダル」で、音声が世界と同時に生成される。ブログは次のように書いている。

Genie 4 is our first real-time world model to generate audio natively.

（Genie 4は、音声をネイティブに生成する、当社初のリアルタイムのワールドモデルです。）

ブログが挙げる進化は四つある。

ブログには、操作の記録として「キーボードでの移動・カメラ操作と、文章による場面の誘導」を使った映像が並ぶ。紹介されたプロンプトの例は、湖に浮かぶ台の上でサックスを吹く男性、1980年代の日本の田舎の駅、一人称視点のドラゴンレース、ステンドグラスだけでできた3D風景などだ。

Geminiはどう関わっているのか

ブログは、Genie 4がGeminiファミリーの能力を取り込んでいると説明している。ブログによると、Gemini Omniが現実の見た目と振る舞いにシミュレーションの根拠を与え、ほかのGeminiモデルが一貫性と連続性を保つための推論を担う。

リアルタイム生成の場面では、Gemini 3.8 Flashが「ガイド役のエージェント」として働く。ブログの説明では、Genie 4が世界を生成する間、Geminiが場面を見続け、目標を一連の手順に分け、届くフレームを見て各手順が成功したかを確かめる。世界が変わったりユーザーが割り込んだりすれば、その場で計画を組み替える。

ロボット向けの例も載っている。ブログによると、Gemini 4 Argon（ジェミニ4 アルゴン）が利用者の指示したタスクを手順に分け、その手順が文章の字幕としてGenie 4の描画中に差し込まれる。例として、ApptronikのヒューマノイドApolloがチェッカーを遊ぶ場面をシミュレートした映像が示されている。ブログはこれを、想像上の世界で幅広い場面を試す道筋になると位置づけている。

誰がいつから使えるのか

公式ブログによると、Genie 4は信頼できるテスター向けの研究プレビューとして展開が始まった。一般向けの提供は、その後の予定だ。

日付の指定はなく、いずれも「coming soon（近日）」という書き方だ。ブログの冒頭には「Join the Genie 4 waitlist」、提供予定を書いた段落にはProject GenieのGenie 4ウェイトリストへの案内がある。

料金や日本での提供は書かれているのか

今回取得した公式ブログのページを、price・pricing・cost・free・Japan・resolution・fps・minute で検索したところ、料金や提供地域、解像度、生成できる時間を示す記述は見つからなかった。「Japan」が出てくるのは、紹介されたプロンプト例（1980年代の日本の駅）の中だけだ。したがって、日本で使えるかどうか、いくらかかるかは、この発表からは分からない。

前のGenieと何が違うのか

関連記事の欄には「Genie 3: A new frontier for world models」（2025年8月）が並んでいる。ただし、今回取得したページにはGenie 3との性能比較の数字は書かれていない。ブログが新しい点として述べているのは、音声の同時生成（「音声をネイティブに生成する、当社初のリアルタイムのワールドモデル」という表現）、人物の動きの自然さ、そしてGeminiとの連携による複数手順の扱いだ。

試験利用者が見ている用途

ブログによると、同社は創作、報道、教育、ゲーム、エンジニアリングの分野のテスターと共同で試している。

• 映像・演出の下書き: 映画制作者が場面の中に入り、カメラ角度・照明・会話・動きを変えながら複数の「テイク」を試す
• 歴史の再現・写真: 報道写真家が、1枚の資料写真から数秒でその場所の世界を作る。洪水や山火事のような短期の出来事の進み方を見せる試みもある
• ゲームの試作: 開発者が、エンジンのコードを書く前に、画風や遊び方を文章で試し、探索できる試作品にする
• シミュレーション: 企業パートナーが、ゼロから場面を作る用途を評価している

これらはすべて、同社がテスターの試みとして紹介している内容で、成果の数字は示されていない。

安全面の説明

ブログによると、Genie 4には同社のほかのモデルと同じ安全ポリシーに沿った厳格な安全策があり、有害・悪意ある内容の生成を防ぐための厳格な内部の安全評価を、今回のプレビューの公開前に行ったという。また、Genie 4が生成するすべての映像と音声にはSynthID（シンスID）という電子透かしが入る。

公式ページを確認して気づいたこと

日本時間1時3分にページの本文を取得して読んだ。ブログの中身の大半は動画で、今回の取得は文字だけなので、映像そのものの出来は確認できていない。確認できたのは、各映像に使ったプロンプトの文面が載っていることだ。たとえば「1980年代の混み合った日本の田舎駅」のプロンプトには「空のホームも、遠くの電車も、まばらな人も不可」という否定条件まで細かく書き込まれていた。どんな指示でどんな映像が出たかは読めるが、同じ指示を自分で試したわけではない。

発表だけでは分からないこと

ブログ自身が、Genie 4を「初期の実験的なモデル」と位置づけ、限界を挙げている。短いセッションでは一貫した環境を保てるが、長く動かしたり、複雑な指示を重ねて編集したり、場面内を移動したりすると、細部や物の存在が変わる（ずれる）ことがある。複雑な物理的相互作用、音声の正確さ、読める文字の描画、空間の正確さ、長期の一貫性は、研究が続く領域だとしている。

加えて、今回の記事は同社の発表だけに基づく。性能を測った数値や、第三者による検証は、取得したページには載っていなかった。「前例のない写実性（unprecedented realism）」「最も大きな飛躍」といった評価は、すべてGoogle DeepMindの表現だ。

出典と確認時刻

• Genie 4: A new generation of world simulation — Google DeepMind（公式ブログ、2026年10月27日付。日本時間2026年10月28日1時3分に取得）

本記事は続報があり次第更新します。