Genie 4を解説：ネイティブ音声・リアルタイム対話・Gemini連携はGenie 3からどう変わったか

Google DeepMindは2026年10月27日にGenie 4を発表しました。リアルタイムで操作できる世界モデルで、場面を説明するだけでなく、生成中に視点を動かし、天候を変え、人物を加え、その後の変化を観察できます。

明確な新要素はネイティブ音声と対話、そしてGeminiとの密接な連携です。映像とともに環境音、音楽、人物の声を生成し、Geminiが指示の解釈、イベントの計画、進行確認を支えます。

本記事は2026年10月28日に確認したGoogleとGoogle DeepMindの公式ページに基づきます。能力説明は公式資料からの整理で、TboxIOは研究プレビューを独立検証しておらず、独自のベンチマーク値もありません。

通常の動画生成との違い

一般的な生成動画では、観客は作成済みの映像を見ます。Genieが目指すのは行動と環境のフィードバックです。カメラを回す、別の場所へ進む、イベントを加えるといった入力に応じて、世界を続けて生成する必要があります。

ただし、完全なプロジェクトを出力できる厳密なゲームエンジンや、工学検証用の物理シミュレーターと同じではありません。継続生成される探索可能な視聴覚環境であり、制御精度や長期の一貫性には限界があります。

項目	Genie 4の公式確認情報
開発元	Google DeepMind
発表日	2026年10月27日
段階	信頼されたテスター向け研究プレビュー
操作	自然言語による変更、移動・カメラ制御
ネイティブ音声	環境音、音楽、対話
Gemini連携	外観・振る舞い、場面理解、計画、進行確認
継続操作	モデルページは数分と記載。長時間セッションではない
生成物の識別	公式によると映像・音声にSynthIDを付与

4つの進歩

1. 自然言語で場面をリアルタイムに変更

天候変更、視点移動、人物や物体の追加が公式例です。Geminiは周囲の文脈から入力を解釈し、入力の合間にも場面を監視・誘導して展開の連続性を助けます。

制作側は全体を最初から作り直すだけでなく、見ながら案を修正できます。映像のプリビズ、スタイル探索、対話体験の試作に可能性がありますが、複雑な編集で既存の細部が必ず保たれるわけではありません。

2. 物理表現と人物の動き

DeepMindは空気力学、衝突、自然な動きや環境への反応を強調しています。これは生成シミュレーションのリアリティに関する説明で、厳密な数値物理ソルバーの証明ではありません。

複雑な物理相互作用や空間精度は現在も研究課題です。アイデアの事前確認と、工学上の安全判断への利用には異なる基準が必要です。

3. 世界と一緒に音と会話を生成

Genie 4はDeepMind初の音声をネイティブ生成するリアルタイム世界モデルです。足音、風、波、人物の声が世界と同時に生成され、登場人物は入力や出来事に応じて会話できます。

音もフィードバックになりますが、動作との同期や会話の整合を評価する必要が増えます。リアルタイム音声の正確性は改善中で、デモの同期が全場面の信頼性を保証するわけではありません。

4. Geminiが複数ステップの出来事を支援

Gemini Omniが現実的な外観と振る舞いを支え、他のGeminiモデルが一貫性の維持を助けます。公式はGemini 3.8 Flashを、画像を観察して目標を分解し、進捗を検証し、変化や介入に応じて計画を更新するガイドエージェントとして説明しています。

Gemini 4 ArgonとGenie 4を組み合わせたロボット研究例もあります。Argonがタスクを手順化し、生成中のシミュレーションへ文字で渡します。Apptronik Apolloがチェッカーをする例が示されています。

これはモデル連携の研究デモであり、実機ロボットの成功率向上を立証したものではありません。すべてのGenie 4セッションが同じGemini構成とも限りません。

Genie 3との比較

2025年8月5日発表のGenie 3は、すでにリアルタイム移動、文字による世界イベント、数分間の一貫性に対応していました。天候変更や人物追加はGenie 4が初めてではありません。

観点	Genie 3公式発表	Genie 4公式資料
リアルタイム操作	移動と生成に対応済み	ライブ誘導と対話を強化
文字によるイベント	天候、物体、人物の変更	Geminiの文脈理解と継続誘導
音声・会話	引用した発表記事では確立されていない	ネイティブ音声とリアルタイム対話を明記
物理・人物	物理特性や自然環境を強調	リアリティ、人物動作、反応を重視
エージェント連携	SIMAが生成環境内で行動	Geminiによる計画、観察、手順確認
数値の映像仕様	720p、24 fpsと明記	確認ページには同条件の固定解像度・fpsなし
継続時間	数分。数時間ではない	数分と記載。長時間セッションではない

Genie 3のSIMAは主に移動操作を環境へ送る役割です。Genie 4でGeminiが場面を計画・誘導する例とは役割も実験条件も異なります。

「時間が倍増」「必ず2分」「高fps」といった話は、本記事の確認済み仕様に含めません。Genie 4公式ページは数分と記し、同条件の完全な数値比較表はありません。旧世代の720p、24 fpsを新版の仕様として転記することもできません。

デモと評価結果は分けて読む

確認した発表とモデルページには、本記事に使える標準ランキング、同条件の成功率、遅延測定はありません。録画はリアルタイム操作の例示で、一部シーケンスを短縮したものと説明されています。選ばれたデモは毎回の結果を保証しません。

閲覧時に複数の埋め込み動画が再生できなかったため、TboxIOは公式文章と例の説明を基に整理しました。すべての音声を聴いたり、実際に操作したりしたとは主張していません。

将来の検証では、離れて戻った場所の物体保持、繰り返し編集後のドリフト、音と動作の一致、手順通りの出来事、指示の再現性、実際の操作時間と遅延を測るべきです。チャットモデルの数学・コード成績や綺麗な録画で代替できません。

現在の制約

公式は早期の実験モデルとしています。

• 長い実行、複雑な変更、移動に伴い、細部や物体の永続性がずれることがあります。
• 複数の独立した人物・エージェントと共有環境の複雑な相互作用は研究課題です。
• 現実の地理を完全には再現できず、空間精度にも課題があります。
• 読める文字は世界の入力説明に含まれる場合に生成されやすく、任意の看板の可読性は保証されません。
• 継続操作は数分規模で、何時間も安定した永続世界ではありません。
• 複雑な物理とリアルタイム音声の精度は改善中です。

当面は創作のプリビズ、対話体験の概念試作、研究に向いています。歴史写真を動かしても、新たな音や動きが真正な歴史記録になるわけではありません。

利用範囲と料金

確認日時点では信頼されたテスター向け研究プレビューです。Googleは今後、Project GenieのGoogle AI Ultra加入者、Gemini APIとGoogle AI Studioの早期アクセスパートナーから提供するとし、待機リストを案内しています。

近日提供は、全Ultra加入者が現在使える、または全開発者にAPIが一般公開されたという意味ではありません。AI StudioやAPIへの言及だけでは、公開モデルID、完全な統合資料、商用枠の存在も確認できません。

確認ページにGenie 4のAPI単価、秒単価、地域一覧、明確な利用枠はありません。料金は作らず、Ultraの購読料をGenie 4単独の運用費用とも見なしません。

制作チームはプリビズ、スタイル、対話原型、ロボット・エージェント研究者は多様なシナリオを検討できます。ただし再利用可能な素材、制御可能なゲーム機構、実機学習の利益には具体的なインターフェースと検証が必要です。

TboxIOの評価：Genie 4は映像世界、音声、会話、Geminiの計画をリアルタイムに近づける重要なデモです。現段階では研究プレビューであり、成熟したゲームエンジン、精密な工学シミュレーター、一般提供済み商用APIとは異なります。

出典

• Google DeepMind：Genie 4公式発表
• Genie 4公式モデルページと制限
• Google公式発表概要
• Genie 3公式発表