もし画面の中の山道を見ながら「雨にして」「少し上から見せて」と伝え、その場で風景が変わるとしたら。Googleは2026年10月27日付の公式発表で、こうした操作を目指す研究「Genie 4」を紹介した。文章で場面の何を変えられるというのか。そして、どこまで確かめられているのか。
※冒頭画像は操作の概念イメージであり、Genie 4の実画面ではありません。
文章で場面を動かし、音も作る
GoogleはGenie 4を、リアルタイムで操作できるシミュレーションを作る「世界モデル」と呼ぶ。シミュレーションとは、ここではコンピューターの中で風景や出来事の進行を表すものだ。Googleの説明によると、最初に出来事を始めた後も、自然な言葉で進行中の場面に指示を加えられる。
発表に挙がった操作例は、カメラを動かす、天候を変える、新しい登場人物を加える、の三つだ。「雨にして」と指示する場面を想像すると分かりやすい。注目点は雨の絵を一枚作ることではなく、進んでいる場面を途中から変えるという説明にある。ただし、これはGoogleが示した操作例であり、どんな指示でも期待どおりに通ると確認されたわけではない。
音も場面の一部として扱うという。Googleは、それぞれの世界で環境音や音楽をその場で生成すると説明している。見える風景に加えて、聞こえるものも生成するという研究の方向が分かる。一方、天候を変えた際に音がどう変化するかなど、個別の結果まで発表の抜粋から決めつけることはできない。
「同じ世界が続く」ことがなぜ大切なのか
仮に山道を歩く人物を追加した後、視点を変えただけでその人物が理由なく消えたら、同じ場面を操作している感覚は薄れる。これはGenie 4で起きた不具合の報告ではない。場面の「つながり」がなぜ必要かを説明するための仮の例だ。
Googleによれば、Genie 4にはGeminiシリーズの能力が組み込まれている。Gemini Omniは現実の見た目や振る舞いを場面に結びつけ、ほかのGeminiモデルは場面の整合性や連続性を保つための推論を支える、という説明だ。カメラを動かした後も、直前まで見ていた場所や出来事と筋が通るようにする狙いだと読める。
ただし、こうしたモデルの役割はGoogleによる説明であり、場面がどれほど長く、どんな指示の下でもつながるかを示す測定結果ではない。また、「現実の見た目や振る舞い」を手掛かりにすることと、現実の出来事を正確に予測できることも別だ。発表から読み取れる中心は、生成された場面を操作し、その変化を連続したものとして見せようとする点にある。
リアルな見た目と、操作の確かさは分けて見る
GoogleはGenie 4の現実感を強調している。けれども、風景が精巧に見えるかと、天候や登場人物を繰り返し変えても場面が筋道を保つかは、異なる問いだ。前者は一場面からも印象を受け取れる。後者を知るには、指示を重ねたときの変化を見る必要がある。
たとえば、視点を動かし、天候を変え、さらに人物を加えたとき、前の指示で生まれた場面との関係は保たれるだろうか。これは読者が能力を見極めるための問いであって、実験結果ではない。今回確認できる公式の抜粋には、指示の成功率、応答までの時間、長く操作した場合の一貫性を示す数値はない。そこから性能の優劣や、現実を再現する精度まで結論づけることはできない。
この研究の面白さは、見た目の印象だけにあるのではない。見ている途中で言葉を加え、その後も一つの場面として続くなら、利用者は展開に関われる。将来の実演を見る際には、きれいな一場面に加えて、指示の前後で何が変わり、何が保たれるかにも目を向けられる。
発表時点で、誰に提供する予定だったのか
Googleは、Project GenieではGoogle AI Ultraの契約者に、Gemini APIとAI Studioでは早期アクセスの協力先に、Genie 4を「近日」提供すると予告した。APIは、別のソフトから機能を呼び出すための仕組みだ。この記述は提供予定を示しており、発表日に誰でも利用できたことを意味しない。
具体的な開始日、提供地域、日本語の指示への対応、料金は、ここで確認できる根拠からは判断できない。研究発表、今後の提供予定、実際に使える状態を分けて受け取る必要がある。
Genie 4が示すのは、生成中の場面に言葉で働きかけるという研究の方向だ。カメラや天候を変え、人物を加えた後も、世界はどこまで筋道を保って続くのか。その答えが、見た目のリアルさとは別に、この技術を理解する鍵になる。
