Google DeepMindは、世界モデルの最新版Genie 4を発表しました。キーボードで移動するのに合わせて、探索できるシーンを1フレームずつ生成するシステムです。最大の変更点は音です。これまでのリアルタイム版Genieは無音でしたが、今回は環境音、音楽、話し声を映像と同時に生成します。シーンを眺めるだけでなく評価する必要がある人にとって、意味のある前進です。
モデルはGeminiファミリーに支えられています。DeepMindによると、Gemini Omniがシーンの見た目と振る舞いを現実世界に近づけ、ほかのGeminiモデルが一貫性を保つための推論を担います。セッション中に、天候を変える、カメラを動かす、人や物を加えるといった指示を入力でき、Geminiがその要望をシーンに合うよう書き換えます。長いタスクでは、Gemini 3.8 Flashがループの中で動き、目標を手順に分け、届くフレームを見て各手順が成功したかを確かめます。あるデモでは、Gemini 4 ArgonとGenie 4を組み合わせ、ApptronikのヒューマノイドロボットApolloがチェッカーをする様子をシミュレートしています。
DeepMindが紹介する信頼できるテスターは、映画、報道、教育、ゲーム、エンジニアリングの分野の人々です。映画制作者はプリビジュアライゼーションの下書きとして使い、照明やせりふを変えてシーンをやり直します。ゲーム開発者は、エンジンのコードを書く前に、アイデアから歩き回れる試作品まで進めます。報道写真家は、1枚のアーカイブ写真をシミュレーションされた場所に変えられるかを試しています。生成物にはすべて、映像と音声の両方にSynthIDの透かしが入ります。
Genie 4が参入する分野は混み合いつつあります。Genie 4とTencentのHY-World 2.0に関する私たちのレビューは、手作業で作った3D環境をモデルが置き換えられるかという同じ問いに対する、2つの異なる答えを扱っています。DeepMindの賭けは、世界モデルを自社の言語モデルと密接に結び付け、計画をGeminiで、描画をGenieで行うことです。同社はこれをハイブリッド世界モデルへの一歩と呼んでいます。
不明点は大きいです。発表には解像度、フレームレート、最大セッション時間の記載がなく、競合との比較もありません。DeepMind自身、セッションが長くなるほど、また何度か編集した後には、細部や物体の永続性がずれていくこと、物理、音声の正確さ、読める文字、空間の正確さはまだ研究中であることを認めています。現時点で使えるのは信頼できるテスターだけで、次にProject GenieのGoogle AI Ultra加入者と、Gemini APIおよびGoogle AI Studioの早期パートナーが続く予定ですが、時期も価格も示されていません。こうした数字が出るまでは、仕事の計画に組み込む道具ではなく、注視すべきプレビューです。