音声と対話を備えた世界モデルGenie 4を発表

Genieは3年足らずで研究デモからプラットフォームへと進化した。2024年2月に発表された初代Genieは、画像から遊べる2D世界を生成した。2025年8月までにはGenie 3が720p・24fpsでリアルタイムに歩き回れ、約1分間の視覚的記憶を保持した。この進化を踏まえると、Genie 4の音声と対話のネイティブ対応は、映像がきれいになった以上の大きな一歩だ。モデルはいまや、見るだけでなく聞いて話しかけられる世界を生み出す。

設計上の賭けは役割分担にある。Genie 4がピクセルと音を描画する一方、Geminiモデルがループ内のガイドとしてシーンを監視し、目標を段階に分解して各段階の成否を判定する。Google DeepMindはこれを、言語モデルの推論とピクセルレベルの表現を組み合わせた「ハイブリッド世界モデル」への第一歩と呼ぶ。うまくいけば、同じ仕組みで言語モデルがシミュレーション環境を指示し、シーンを逐一手作業でコーディングすることなくロボット訓練やシナリオテストを行えるようになる。

発表が明らかにしていないのは、そのコストだ。GoogleはGenie 4の解像度、fps、生成時間、遅延、価格を公表しておらず、Genie 3の720p・24fps・数分という数値がそのまま当てはまると考えるべきではない。計画を立てるチームにとって実用的な判断材料は、APIの価格と遅延、長期セッションの挙動に関する最初の独立系報告、そして約束された早期アクセスが信頼できるテスターの枠を実際に超えて開放されるかどうかだ。