Google「Genie4」、音声付き世界モデルでロボ訓練

ポイント

• Google DeepMindは2026年10月27日、映像と音声を同時に生成する世界モデル「Genie4」を発表しました
• Gemini 4 Argonと組み合わせ、人型ロボット「Apollo」が仮想空間でチェッカーを練習する実験も公開されました
• 現在は信頼されたテスターへの先行提供のみで、Google AI Ultra契約者などへの一般提供は「近日中」とされています

Genie4、音声まで作る世界モデルに進化

GoogleのAI研究部門DeepMindは10月27日、新しい世界モデル「Genie4」を発表しました。

世界モデルとは、AIが仮想の空間を頭の中に作り、次に何が起きるかを予測しながらその場で描いていく技術です。文章で指示を出すと、動きのある写実的な空間がその場で生成され、ユーザーが指示を加えるとAIがその場で展開を描き直します。

公式ブログによれば、Genie4は「リアルタイムで音声をネイティブに生成する初めての世界モデル」だということです。

これまでのGenieシリーズ（Genie2・Genie3）は映像だけの、音の無い世界でした。

Genie4で初めて、風や波のような環境音、音楽のような音、そして会話まで、映像と同時に生成されるようになりました。

TechCrunchの報道によると、一貫したシーンを保てる時間もGenie3の約2倍となる最大2分まで伸びています。

Googleの担当者Diego Rivas氏は、リアルタイム性が最も価値を発揮するのは「創造的な作業の流れを保つことが重要な場面」だと説明しています。

中国メディアの報道では、GoogleのCEOサンダー・ピチャイ氏も自身のXで、Genie4を「Googleがこれまでに作った中で最も写実的でインタラクティブな世界モデルだ」と紹介したとされています。

音と映像のズレがないのが新しさ

Genie4のネイティブ音声は、映像を作った後に音を貼り付けるのではなく、同じAIが映像と音声を一度に生成する点が従来と違います。

環境音・音楽のような音・会話という3種類の音を、同時に扱えるのが特徴です。

風や波の音から、指示に反応して話すキャラクターの声まで、映像とズレずに出せるようになりました。

これが広まれば、ゲームや映像制作の作り方そのものが変わる可能性があります。

TechCrunchの取材でも、テスターの間ではストーリーボード作成や企画段階での活用に関心が集まっていると報じられています。

ただし、会話の内容そのものの正確さや発音の精度は、Google自身もまだ研究課題として挙げています。

複数のGeminiモデルが裏で分担する仕組み

映像と音を生成するだけでは、話の筋道（展開）までは決まりません。その役割を担うのが、複数のGeminiモデルです。

公式ブログによれば、比較的軽量なモデル「Gemini 3.8 Flash」が画面を観察し、目標を細かい手順に分解する「司令塔」役を担っています。世界が変化したりユーザーが介入したりすると、その都度計画を立て直します。

さらに「Gemini Omni」というモデルが、見た目や振る舞いを現実に近づける役割を担っています。

つまりGenie4という「舞台」に対して、Geminiの複数モデルが「監督」として連携する構造です。一つのAIが全部をこなすのではなく、役割を分担しているのが特徴です。

この連携の仕組みは、次に紹介するロボットの訓練にも応用されています。

ロボットがAIの中で練習する時代

公式ブログの中では、Genie4とあわせて「Gemini 4 Argon」というモデルの名前も登場しています。

Argonは、この夏から噂されていたコード名ではなく、Googleが2026年9月30日に正式発表し、10月13日に広く提供を始めた、現行の旗艦モデルです。詳しくは「Gemini 4 Argon正式発表、一般公開の日はまだ未定」で解説しています。

今回の実験では、Argonがユーザーの指示を手順に分解し、Genie4がその手順をリアルタイムで描画するという役割分担が示されました。

公開された映像では、Apptronik社の人型ロボット「Apollo」が、Genie4が作った仮想空間の中でチェッカー（西洋式の盤上ゲーム）をプレイする様子が公開されています。

ロボットが実際の機体を動かす前に、AIが作った仮想世界の中で何度も練習できるのが利点です。危険な現実の試行を減らし、安全に動きを試せます。

なお、ArgonとApolloの組み合わせはこれが初めてではありません。

Robotics and Automation Newsの報道によれば、10月13日のArgon発表時にも、別の実験が報告されています。

人間がコーンホール（豆袋を投げる遊び）をする動画を見せただけで、Argon自身が物理シミュレーションのコードを自動生成し、Apolloに7連続成功させました。これはGenie4を使わず、Argon単体が担った実験です。

つまり、GoogleはAIモデル1本ではなく、複数のモデルを組み合わせながら、ロボットが仮想世界で練習する仕組みをいくつも試している段階にあります。

誰が使えるのか、安全対策は

Genie4は現在、試験提供の段階です。

公式ブログによれば、まず「信頼されたテスター」に限定して提供が始まっており、次に上位プラン「Google AI Ultra」契約者向けの専用窓口「Project Genie」、そしてGemini APIとGoogle AI Studioの早期アクセスパートナーへと、順次開放される計画です。

一般消費者がいつ使えるようになるかは、今回の発表では明言されていません。

安全面では、生成した映像と音声のすべてに「SynthID」という透かし技術が組み込まれます。AIが作った世界だと、後から判別できる仕組みです。

公開前には社内の安全性評価が実施され、利用に関する厳しいルールも設けられているとGoogleは説明しています。

まだ残る弱点、そして同じ週に発表された「Carbon」

Genie4にも、Google自身が認める弱点があります。

長いシミュレーションを続けるほど、映像の細部やものの位置がずれていく「ドリフト」が起きることがあります。

複雑な物理的なやりとりの再現、音声の正確さ、画面内の文字を正しく描くことも、まだ研究課題として挙げられています。

一般公開の具体的な日付も、今回は示されていません。

なお、Genie4発表の翌日にあたる10月28日、Googleは別の発表として新しい旗艦モデル「Gemini 4 Carbon」を公式に発表しました。

Carbonは、Argonからさらに強化された次世代モデルで、コーディングとサイバー防御の分野で大きく性能が向上したとされています。

ただし一般にすぐ使えるわけではなく、まずArgonと同じようにサイバー防御の専門家向けプログラム「Fairwind」に限定提供される段階です。開発者や一般消費者への展開は「できるだけ早く」とされるのみで、具体的な日程は未定です。

Carbonの実力については、このチャンネルでも10月下旬に早期アクセス版の挙動を取り上げました。詳しくはそちらの記事もご覧ください。

AIリーク情報局の見立て：「まず専門家、その後一般」が再び繰り返されている

Googleの新しいモデルの出し方には、はっきりしたパターンがあります。

Argonは2026年9月30日にサイバー防御の専門家向けプログラム「Fairwind」限定で発表され、その後10月13日に開発者向けAPIへ広く提供が始まりました。専門家限定の発表から広い提供までは、ちょうど2週間でした。

10月28日に発表されたCarbonも、まったく同じ順番でFairwindの専門家に先行提供されています。

この前例に当てはめると、Carbonが開発者向けに広く使えるようになるのは、11月中旬ごろになる可能性が高いと見ています。

Genie4についても同じ考え方が当てはまりそうです。現在は「信頼されたテスター」というさらに狭い段階にあり、Argonの時よりも一段階手前です。

Google AI Ultra契約者向けの「Project Genie」が次の段階として予定されていますが、具体的な日程は示されていません。世界モデルという分野自体がまだ実験段階にあることを考えると、ArgonやCarbonのような数週間単位のスピードで広がるとは限らず、もう少し時間をかける展開も十分にありえます。

Project Genieの提供が始まったら、この記事で答え合わせを追記します。

Genie4に関する質問

Genie4はいつ誰でも使えるようになりますか？

公式な日付はまだ発表されていません。

現在は信頼されたテスターへの先行提供のみで、次にGoogle AI Ultra契約者向けの「Project Genie」、そしてGemini APIとAI Studioの早期アクセスパートナーへと順に広げる計画です。

Genie4とこれまでのGenieシリーズの違いは何ですか？

最大の違いは音声です。

Genie2やGenie3は映像だけの世界モデルでしたが、Genie4では環境音・音楽・会話までを映像と同時に生成できるようになりました。

ロボットの実験では何が示されたのですか？

Gemini 4 Argonが指示を手順に分解し、Genie4がその手順をリアルタイムで描画することで、人型ロボット「Apollo」が仮想空間の中でチェッカーを練習する様子が公開されました。

実機を動かす前に、仮想世界で安全に練習できる利点があります。

「Gemini 4 Argon」と「Gemini 4 Carbon」はどう違うのですか？

Argonは2026年9月30日に発表され、10月13日から広く使える現行の旗艦モデルです。

Carbonはその後継として10月28日に発表された新モデルで、コーディングとサイバー防御の性能が向上していますが、現在はサイバー防御の専門家向けに限定提供されている段階です。

生成された映像や音声は本物と見分けられますか？

Genie4が生成した映像と音声のすべてには、「SynthID」という透かし技術が組み込まれています。

この透かしを使うことで、AIが作った世界だと後から判別できる仕組みになっています。