- Google DeepMindが世界モデルGenie 4の提供を開始し、Project Genie経由でGoogle AI Ultra契約者から順次利用できるようになりました
- 生成中のセッションに自然言語のプロンプトを入れて天候・登場人物・カメラアングルを変更でき、Genieシリーズで初めて映像と同期したネイティブ音声をリアルタイム生成します
- 連続生成は約1分、長時間では物体の永続性が崩れるなどの課題が残り、生成物にはすべてSynthIDの電子透かしが付与されます
Genie 4の提供開始
Google DeepMindは2026年11月18日、世界モデル(World Model、テキストや画像の指示から操作可能な3D環境そのものを生成するモデル)の最新版Genie 4を公開しました。利用窓口は同時に発表された新しい実験的サービスProject Genie(labs.google/projectgenie)で、まずGoogle AI Ultraの対象契約者に順次提供されます。
Google AI Proの会員は同じページで順番待ちリストに登録できます。公式発表では、サブスクリプションの区分以外の価格情報は示されていません。
これまでのGenieシリーズは研究発表やごく限られた試用にとどまっていました。Genie 4は、一般の契約者が実際に手元で世界を生成して歩き回れる形で出てきた点が前提の変化になります。
生成中にプロンプトで介入
利用者はテキストの説明か画像から世界を立ち上げ、その後も自然言語で場面を操作します。公式ドキュメントが挙げる変更対象は、風景、出来事、カメラアングル、登場人物、天候、そして音です。生成が止まった後の再生成ではなく、動いているセッションの最中に世界を書き換えられるのがGenie 4の特徴です。
プロンプトの解釈と変更の立案にはGeminiモデルが関与します。Gemini Omniが実世界の見え方や振る舞いにシミュレーションを接地させ、別のGeminiモデルが場面の一貫性と連続性の維持を担う構成だと説明されています。動画側から世界の因果を捉える研究としてはV-JEPA-LMのような反実仮想データを使うアプローチもあり、生成と理解の両側から世界モデルの精度を上げる動きが続いています。
初のネイティブ音声生成
Genie 4はシリーズで初めて、映像と同期したネイティブ音声をリアルタイムに生成します。落ち葉を踏む音や観衆の歓声といった環境音に加えて、世界の中の登場人物が利用者に話しかけることもできます。
音は場面の変化に追従して変わる設計です。ただしGoogle自身が、リアルタイム音声の精度は改善途上であると明記しています。映像と音のずれや、場面に対する音の正確さは未解決の課題として残されています。
Geminiが画面を見て提案
Project Genieは、Genie 4を単体のモデルとして置くのではなく、対話エージェントと組み合わせた構成を取ります。エージェントは自然言語の説明から世界を組み立て、Googleのマルチモーダルモデルで最初の映像と背景音楽を生成します。
セッション中はGeminiが画面を観察し、次にどこへ向かうかを示す文脈に沿った提案チップを出したり、世界の中の出来事を自動で発生させたりします。図1に示すように、利用者の入力とGeminiの観察が生成ループに同時に作用する形です。

作られた世界はギャラリーで公開・探索・リミックスできます。個人の写真を空間に変える「Living Memory」、360度パノラマから先史時代の生息環境を組む「Dino Field Guide」、Geminiが審判を務める「Rock Paper Scissors」などが例として挙げられています。クリエイターとの共作では、部屋ごとに謎を追う「Villa Giallo」と、アリの視点から巣を見る「The Life of Ants」の2本がGenie 4を使っています。
Genie 3側の更新内容
Genie 4の公開に合わせて、モデル選択画面に残るGenie 3も強化されました。主な変更は次の4点です。
- 1回の生成あたりのセッション長が60秒から3分へ延長
- 複数の世界を連結して長い行程を作れる
- 360度パノラマ画像を新しい世界の起点として使える
- 探索中に自然言語で世界内イベントを起こし環境を変えられる
連続生成の長さに関しては、Genie 4は現時点で約1分前後の連続操作に対応するとされており、長時間のセッションを前提とした設計にはなっていません。忠実度と制御性を上げた分、持続時間ではGenie 3の方が長いという状況です。
残された課題と安全対策
Googleは両モデルを依然としてフロンティア研究の段階にあると位置づけ、未解決の課題を具体的に挙げています。カメラ操作の遅延、込み入った物理的な相互作用、リアルタイム音声の精度、そして長期的な場面の永続性です。実際に、長いシミュレーションや複数回の編集を経た後、移動中に視覚的な細部や物体の永続性が崩れることがあると説明されています。
そのほか、複数の利用者やエージェントが同じ環境を共有する状況のモデル化は進行中の課題であり、実在の場所を完全に正確に再現することもできません。はっきりした文字が生成されるのは、入力の説明にその文字が含まれている場合に限られる傾向があるとされています。
安全面では、Project Genieで生成されたすべての映像と音声にSynthIDの電子透かしが付与されます。モデルの入力と出力は安全性のスクリーニングを通過する仕組みです。生成された世界が共有・リミックスされる前提のサービスであるため、出自の判別手段を生成物側に埋め込む方針が取られています。