Google DeepMind、ネイティブ音声とリアルタイム操作に対応する世界モデル Genie 4 を公開

Google DeepMind は新しい世界モデル Genie 4 を公開しました。Google によれば、探索・操作できる対話型世界をリアルタイムで生成し、環境音、音楽、対話を視覚シーンと同時に生成します。標準的なキーボード操作でナビゲーションとカメラを制御でき、場面が進む途中で天候、カメラ、人、物体を自然言語で変えられます。Google は Gemini モデルがこうした指示を周囲の場面に合わせると説明しています。

これは既存ツールの通常の機能更新ではなく、新しいモデルカテゴリの公開です。映像のプリビジュアライゼーション、ゲーム試作、教育シミュレーション、ロボット訓練環境、エージェント評価に対して、対話型シーン生成を評価する道筋を提供します。Google は Genie 4 が物理シミュレーション、自然な人物動作、ネイティブ音声、リアルタイム操作を組み合わせるとし、信頼された業界テスターからフィードバックを集めています。

利用可能性はまだ限られています。告知によると、Genie 4 は信頼されたテスター向けの研究プレビューから始まり、その後は 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に提供する予定です。採用を検討するチームは、告知を一般提供済みサービスと見なすのではなく、アクセス資格、データ処理条件、ワークフロー適合性を先に確認してください。

Google はこのモデルを初期段階で進化中の研究と説明しています。長時間の実行、複数の複雑なプロンプト編集、継続的なナビゲーションでは、視覚的な細部とオブジェクトの永続性が変化またはずれることがあります。複雑な物理相互作用、リアルタイム音声の正確性、判読可能な文字、空間精度、長期的な一貫性も継続的な課題です。Google は Genie 4 が生成するすべての動画と音声に SynthID の透かしを入れるとしています。制御され、元に戻せる試作で出力の一貫性と安全手順を検証し、シミュレーション結果を現実世界の挙動保証として扱わないでください。

関連するディレクトリ項目