AIに風景を作ってもらい、その中を自分で歩く。途中で天気を変えたり、登場人物を加えたりすると、その先の様子も変わっていく。
Google DeepMindが10月27日に発表した「Genie 4」は、そんな世界を作るAIだ。今回は映像だけでなく、環境音や音楽、登場人物の会話も一緒に生成する。前世代から操作できた世界に、音が加わったのが今回の特徴だ。Google DeepMindの発表
ただし、今は限られたテスターに提供する研究プレビュー。誰でもすぐ使えるサービスの一般公開ではない。
出来上がった映像を再生するのではなく、操作に応じて先を作る
例えば、AIが作った森で道を曲がってみる。その行動に応じて、曲がった先の景色が生成される。さらに文章で「雨を降らせて」と頼めば、進行中の場面を変えられる。これは仕組みをイメージするための例だ。
公式の説明では、移動やカメラの操作にはキーボードなどを使い、場面の変更は文章で指示する。完成した短いクリップを再生するのとは違い、こちらの操作や指示を受けながら、次の映像と音を作っていく。Genie 4のモデル説明
こうしたAIは「ワールドモデル」と呼ばれる。目の前の世界がどう変わるか、自分が何かをしたら何が起きるかを、生成された環境の中で扱うものだ。難しい名前だが、まずは「操作できる、AIが作る世界」と考えるとつかみやすい。
操作・文章の指示を受けて次の映像と音を生成し、それを見聞きしてまた操作する、という相互作用の概念図。キーボード操作と文章入力を区別し、マイク入力は示していません。公式UIやRINKAKUの操作実演ではありません。 出典：Google DeepMind（Genieモデル説明）
「歩ける」ことより、今回は音に注目したい
生成した世界を動き回ることや、文章で天候を変えること自体は、前世代のGenie 3でもできた。そこをGenie 4で初めて実現した機能と受け取ると、今回の違いが見えなくなる。Genie 3の発表
DeepMindが今回の進歩として挙げるのは、見た目や動きの向上に加え、音を世界と同時に生成することだ。周囲の風や波の音だけではない。登場人物が、その場の出来事や入力に応じて会話するという。
後からBGMを載せた完成動画とは、目指す体験が違う。視線を変え、何かを起こし、その場の反応を映像と音で受け取る。映像を作る道具が、場面の中で試行錯誤する道具へ近づいている。
映画の場面づくりなら、カメラの位置や照明、人物の動きを変えながら、どんな見え方になるか探れるかもしれない。DeepMindによると、招待した制作者たちも、こうした撮影前のアイデア確認を試している。完成作品の品質や、実際の制作時間がどれだけ改善するかは、これから見ていきたいところだ。
移動・カメラ操作や文章による場面変更はGenie 3からの機能。今回の注目点はGenie 4が世界の映像と同時に音楽・環境音・対話を生成することです。現段階は限定テスター向けの研究プレビューで、連続操作は数分程度。一貫性や正確さには制限があり、Ultra契約だけでの即時一般利用を示すものではありません。 出典：Google DeepMind（Genie 4の発表と制限）
きれいに見える世界が、正確な世界とは限らない
期待したくなる一方で、ゲームや実用シミュレーターがそのまま出来上がるわけではない。
モデルページによれば、連続して操作できるのは数分程度。長く動かしたり、複雑な変更を重ねたりすると、物の見た目や状態がずれることがある。実在する場所の正確な再現や、音の正確さにも課題が残る。
例えば、いったん見えなくなった物が、もう一度振り向いたときにも同じ状態で残っているか。そうした一貫性は、世界を「眺める」だけのとき以上に重要になる。リアルな映像だからといって、物理法則や現実の出来事を正確に予測できると考えるのは早い。現在の制限
Ultraに入れば、今すぐ使えるわけではない
今後は、Genieを試すためのサービス「Project Genie」でGoogle AI Ultra加入者へ提供を広げるほか、Gemini API・Google AI Studioの早期アクセスパートナーにも届ける予定だ。現時点では待機リストが用意されているが、Genie 4の一般向け開始日、日本での提供条件や利用枠は、今回確認した案内では明らかにされていない。
まずは公式映像を見ると、文章だけより仕組みをつかみやすい。これはDeepMindが公開したデモで、RINKAKUが操作して確かめた映像ではない。公式紹介映像を見る
Genie 4の面白さは、きれいな映像をもう一本作れることだけではない。「この道を曲がったら？」「ここで雨が降ったら？」と、出来上がった景色の先へ手を伸ばせることだ。長い時間の一貫性には課題が残るが、この体験の違いは大きい。次に見たいのは、その数分が、作り手にとってどれほど役立つ時間になるのかだ。
